开发可解释的机器学习模型,以预测急性心力衰竭患者的医院预后

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 机器学习 (ML) 模型提供高预测性能,但往往缺乏可解释性.
• 复杂的ML模型经常被认为是"黑子",阻碍了对预测的理解.
• 预测急性心力衰竭 (AHF) 的结果需要准确和可解释的工具.

研究的目的:

• 开发具有高预测性能和可解释性的ML模型.
• 在AHF患者中实现医院死亡率和恶化心力衰竭 (WHF) 的优越风险分层.
• 解决临床决策中复杂的"黑子"模型的局限性.

主要方法:

• 使用京都充血性心力衰竭注册表 (n=4056) 对AHF患者.
• 开发了分类和回归树 (CART),随机森林 (RF) 和极端梯度增强 (XGBoost) 模型.
• 采用了SHapley添加式扩展 (SHAP) 分析,用于XGBoost模型的解释性和患者集群.

主要成果:

• XGBoost模型在住院死亡率 (0.816) 和WHF (0.766) 预测方面实现了最高的曲线下面面积 (AUC).
• 在预测准确度方面,XGBoost显著优于CART和RF模型.
• 通过SHAP分析,可以将患者分为具有相似风险概况的可解释集群.

结论:

• 结合SHAP分析的XGBoost模型为AHF结果提供了高预测性能.
• 这些模型提供了更好的解释性和可重现的风险分层.
• 该方法有效地解决了在AHF管理中需要透明和准确的预测工具的需求.