可解释的机器学习模型使用外周免疫细胞预测急性心力衰竭患者的90天再入院或死亡率
Junming Chen1, Liting Yang1, Jiangchuan Han1
1Department of Cardiology, Shuyang Hospital of Traditional Chinese Medicine, Shuyang, China.
概括
这项研究开发了一种机器学习模型,将免疫细胞数据和临床标记结合起来,以预测90天的急性心力衰竭再入院或死亡率. 该模型准确地识别了针对性干预的高风险患者.
科学领域:
- 心脏病学 心脏病学
- 计算生物学 计算生物学
- 免疫学 免疫学 免疫学
背景情况:
- 急性心力衰竭 (AHF) 具有高的90天再入院和死亡率.
- 有效的护理过渡和早期监测对AHF患者至关重要.
- 需要预测模型来识别退院后的风险人群.
研究的目的:
- 开发和验证可解释的机器学习 (ML) 模型,用于预测90天AHF再入院或死亡率.
- 将外围免疫细胞数据与常规临床标记器集成,以提高预测.
- 确定AHF患者不良结果的关键预测因素.
主要方法:
- 对1210名AHF患者的回顾性分析.
- 使用临床和免疫细胞数据开发和内部验证ML模型.
- 使用Shapley添加式解释 (SHAP) 对特征重要性进行最佳性能模型的外部验证.
主要成果:
- 28.4%的患者经历了90天的再入院或死亡.
- 综合临床和免疫细胞数据的支持矢量机 (SVM) 模型显示出优异的预测性能.
- SHAP分析确定了五个关键预测因素:三个临床指标和两种免疫细胞类型.
结论:
- 结合临床和免疫细胞数据的ML模型有效预测AHF患者的90天结果.
- 这种方法增强了AHF患者的风险分层.
- 这些发现支持有针对性的干预措施,以改善护理过渡和减少再接收.
