基于Shapley增量解释的可解释机器学习模型,用于预测腰椎融合手术中脑脊液泄漏的风险
ZongJie Guo1, PeiYang Wang1, SuHui Ye2
1Spine Surgery Center, Department of Spine Surgery, Zhongda Hospital Affiliated to Southeast University, Nanjing, Jiangsu, People's Republic of China.
Spine
|July 4, 2024
概括
这项研究开发了一个可解释的机器学习 (ML) 模型,使用XGBoost和SHAP来预测腰部融合手术后脑脊液泄漏 (CSFL),确定改善患者结果的关键风险因素.
科学领域:
- 神经外科和医疗信息学
- 在医疗保健中开发和验证预测模型.
- 机器学习在外科风险评估中的应用.
背景情况:
- 脊柱退行症的发病率越来越高,因此需要准确预测术后并发症.
- 脑脊液泄漏 (CSFL) 是腰部融合手术后的一个严重并发症.
- 缺乏可解释的机器学习模型,用于在腰部融合中进行CSFL风险因素分析.
研究的目的:
- 开发和验证一个定制的机器学习 (ML) 框架,用于预测腰部融合手术中脑脊液泄漏 (CSFL).
- 整合成像参数,并利用夏普利添加式解释 (SHAP) 技术来实现模型的可解释性.
- 在经历腰部融合的患者中确定CSFL的显著预测因子.
主要方法:
- 从3505名经历腰部融合的患者中回顾性收集临床和成像数据.
- 制定和评估六种不同的机器学习模型:XGBoost,DT,RF,SVM,GaussianNB和KNN.
- 使用标准指标进行绩效评估,并通过SHAP框架进行可解释性分析.
主要成果:
- 脑脊液泄漏 (CSFL) 在2.71%的患者中发生.
- XGBoost模型在预测CSFL方面表现出很高的准确性 (AUC:0.7343).
- SHAP分析确定了关键预测因素:带厚度,胞性关节退行,脊柱狭窄等级和手术参数.
结论:
- 在XGBoost-SHAP模型是有效的预测CSFL风险在腰部融合.
- 实施可以帮助临床决策,潜在地改善患者的治疗结果并降低成本.
- 倡导在临床环境中采用这种可解释的ML方法,以加强CSFL风险评估.
