基于机器学习的风险预测模型用于动脉静脉囊狭窄
Peng Shu1, Ling Huang2, Shanshan Huo2
1The Central Hospital of Wuhan, Tongji Medical College, Huazhong University of Science and Technology, No.26, Shengli Street, Jiang'an District, Wuhan, Hubei, China. 312855784@qq.com.
European journal of medical research
|March 29, 2025
概括
这项研究开发了一种可解释的XGBoost模型,用于预测血液透析患者的动脉静脉狭窄风险. 关键预测因素包括手术史,实验室值和脉持续时间,使个性化护理成为可能.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學專業.
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 动脉静脉囊狭窄是血液透析患者的常见并发症.
- 目前对狭窄风险的预测工具是不够的.
- 需要可解释的模型来指导临床决策.
研究的目的:
- 开发和验证可解释的机器学习模型,用于动脉静脉塞狭窄风险预测.
- 确定狭窄症的关键临床预测因素.
- 提高血液透析患者的个性化护理策略.
主要方法:
- 对974名血液透析患者的临床数据进行了回顾性分析.
- 培训和评估七个机器学习模型 (随机森林,XGBoost,SVM,物流回归,KNN,ANN,决策树).
- 利用SHAP值来识别最佳模型中的关键预测因素.
主要成果:
- XGBoost模型表现出卓越的性能,其AUC为0.829.
- 确定了七个关键预测因素:手术数量,前激素时间活性,淋巴细胞数量,囊持续时间,甘油三,维生素B12和C反应蛋白.
- SHAP分析为模型的预测提供了可解释性.
结论:
- XGBoost模型提供了一种有效的工具,用于预测动脉静脉塞狭窄风险.
- 通过SHAP值的模型解释性促进了临床应用和个性化治疗.
- 这种方法可以改善血液透析患者的管理,这些患者有风险患管狭窄症.
