基于机器学习的慢性心力衰竭患者3年全因死亡率的可解释预测

科学领域:

• 心血管医学 心血管医学
• 医疗保健中的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 慢性心力衰竭 (CHF) 对患者的长期结果构成重大挑战.
• 准确预测CHF患者全因死亡率对于有效管理至关重要.
• 现有的风险分层模型可能缺乏准确性和解释性.

研究的目的:

• 评估各种机器学习 (ML) 模型在预测CHF患者3年全因死亡率方面的表现.
• 开发一个可解释的ML模型来理解和解释死亡风险因素.
• 确定与CHF的长期死亡率相关的关键临床和实验室变量.

主要方法:

• 利用了2017-2019年住院的CHF患者 (心脏功能III-IV类) 的数据集.
• 我们比较了6个ML模型:逻辑回归,天真贝叶斯,随机森林,极端梯度提升,K-最近邻居和决策树.
• 采用可解释的ML技术,包括SHAP值, permutation重要性和部分依赖图 (PDP).

主要成果:

• 随机森林分类器证明了这个数据集的最佳性能.
• 确定了三年全因死亡率的关键预测因素包括:住院人数,年龄,淋巴细胞过率,BNP,NYHA类,淋巴细胞计数,血清白蛋白,血红蛋白,总胆固醇和肺动脉静脉压.
• 可解释的方法提供了对每个因素对死亡风险的贡献的见解.

结论:

• 基于ML的心血管风险模型可以准确地评估和分层CHF患者的3年死亡风险.
• 将ML与可解释技术 (SHAP,换重要性,PDP) 结合起来,可以提高个体风险预测.
• 这些方法为临床医生提供了对模型组件的直观理解,并有助于个性化风险评估.