开发和验证一种可解释的基于机器学习的预测模型,用于对冠状动脉动脉瘤复杂的原发性川崎病

科学领域:

• 儿童心脏病学 儿童心脏病学
• 机器学习在医学中的应用
• 医疗信息学 医疗信息学

背景情况:

• 川崎病 (KD) 可以导致冠状动脉动脉瘤 (CAA) 在高达20%的未经治疗的儿童.
• 静脉注射免疫球蛋白 (IVIG) 治疗是急性KD的标准,但不能消除CAA风险.

研究的目的:

• 开发和验证一种可解释的机器学习 (ML) 模型,用于预测KD患者的CAA.
• 确定在KD中CAA发展的关键预测因素.

主要方法:

• 从327名KD患者 (2015-2023) 的临床数据的回顾性分析.
• 六个ML模型的开发和比较:SVM,KNN,拉索,XGBoost,RF,MLP.
• 使用SHapley添加式解释 (SHAP) 来验证表现最好的模型,以获得可解释性.

主要成果:

• 基于XGBoost的ML模型在预测CAA方面表现最佳.
• 接收机操作员特征 (ROC) 曲线分析证实了XGBoost的卓越预测准确性.
• SHAP分析提供了基于可变贡献的个人样本预测的见解.

结论:

• 一个可解释的XGBoost模型显示了预测KD儿童CAA的前景.
• 这种ML方法可以帮助临床医生识别针对性干预的高风险患者.