基于机器学习和SHAP的急性胰腺炎患者30天死亡率的可解释预测

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 临床预测模型临床预测模型

背景情况:

• 严重的急性胰腺炎 (SAP) 构成严重的死亡风险,如果不及时诊断和管理.
• 有效的风险分层对于优化SAP中的患者护理和结果至关重要.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测SAP患者的30天全因死亡率.
• 在SAP中识别和解释导致死亡风险的关键临床预测因素.

主要方法:

• 采用了六种机器学习算法 (逻辑回归,k-最近邻居,支持向量机器,天真贝叶斯,随机森林,极端梯度增强).
• 使用LASSO回归和递归特征消除的特征选择确定了25个最佳变量.
• 为了模型的可解释性,使用了沙普利增量解释 (SHAP) 方法.

主要成果:

• XGBoost模型表现出卓越的性能 (AUC=0.881),确定血管压缩剂的使用,高的查尔森并发症指数,低血氧和度,恶性瘤史,高血糖和高APSIII得分作为关键预测因素.
• 风险分数门为0.62,有效地将患者分为高风险和低风险组,高风险组的生存率明显较低.
• 考克斯回归和子组分析证实了该模型的预测准确性和风险分层能力在各种患者人口统计学中.

结论:

• 开发的XGBoost模型为早期预测SAP严重程度和30天死亡风险提供了有效的工具.
• 这种ML模型的临床实施可以帮助医疗保健提供者识别高风险的SAP患者,以便及时干预.