目的:提供一种经济可靠的医学决策模型评估冠心病的风险程度,并基于躯体化症状自评量表(Somatic Self-rating Scale,SSS)探讨心内科因冠心病可能住院的女性患者不良情绪的严重程度,并评估该模型对65岁以下女性群体冠心病疾病二分类诊断模型的价值。协助临床医师做出更合理的诊疗决策,减少不必要的医疗资源消耗。方法:基于皖南医学院第一附属医院电子病历(Electronic medical record,EMR)系统,回顾性分析2020年1月1日至2021年12月31日行冠状动脉造影的患者。收集包括身高体重、吸烟史、检验、检查报告在内的多种医学数据。并对2021年4月至12月于我院初次行冠脉造影的18～65岁青年女性群体进行躯体化症状量表评测,记录其是否诊断冠心病并评估冠脉病变严重程度。使用机器学习(MacSARS-CoV-2 infectionhine Learning,ML)中决策树分类模型进行模型建立,评估纳入的危险因素对于疾病分类的价值及模型的性能。结果:通过对我院心血管内科2020、2021年3791名行冠脉造影的结果进行分析,最终将2814名患者的126个数据特征纳入模型建立,综合分析发现冠心病组与非冠心病组组间一般资料中性别,年龄,基础病患有糖尿病,实验室检查中白细胞计数,中性粒细胞计数,空腹血糖,高密度脂蛋白,检查结果中包括心电图ST-T段改变,超声心动Empagliflozin半抑制浓度图提示心脏收缩功能减退;残余胆固醇,动脉硬化指数在内的新诊断selleckchem RP56976标志物均存在明显差异且位于决策树的顶端,模型的准确率为0.7050,精确率为0.8119,召回率为0.7885,F1值为0.8。量表研究最终纳入133名患者,SSS评分在冠心病组和非冠心病组间具有显著差异(p<0.01)。将SSS评分纳入模型后,SSS评分位于决策树的顶端,重新建模后模型效能提升。结论:1.基于机器学习构建决策树预测模型可以帮助临床医生快速识别,量化风险,避免漏诊、减少不必要医疗资源的消耗。2.SSS评分对于冠心病诊断模型的建立具有重要价值,将不良情绪影响纳入医学决策系统,能够提高决策质量。