使用可解释的XGBoost模型预测心脏病患者的胃肠道出血
Yahui Li1, Xujie Wang2, Xuhui Liu3,3
1Division of Cardiology, Department of Internal Medicine, Tongji Hospital, Tongji Medical College, Hubei Key Laboratory of Genetics and Molecular Mechanisms of Cardiological Disorders, Huazhong University of Science and Technology, 1095 Jiefang Ave, Wuhan, 430030, Hubei, China.
Scientific reports
|July 12, 2025
概括
一个新的机器学习模型准确地预测心脏病患者的胃肠道出血 (GIB) 风险. 关键预测因素包括血红蛋白,肌素和D-二次体,使得早期干预和个性化预防策略成为可能.
科学领域:
- 心脏病学 心脏病学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 胃肠道出血 (GIB) 是心血管患者的一个重大问题,增加了发病率和死亡率.
- 这种人群中GIB的现有预测模型往往缺乏准确性和可解释性.
研究的目的:
- 开发一种可解释和实用的机器学习模型,用于预测心脏病患者的GIB风险.
- 在这个患者队列中确定GIB的关键预测因子.
主要方法:
- 对10,706名心脏病住院患者的电子健康记录进行了回顾性分析.
- 开发和评估七个机器学习分类器,重点是XGBoost.
- 为了模型的可解释性,利用了夏普利添加式解释 (SHAP).
主要成果:
- 在验证队列中,XGBoost模型实现了0.995的AUC,0.975的准确性,0.769的灵敏度和0.996的特异性.
- 确定了最重要的预测因子:血红蛋白,肌素,D-二次体,NT-proBNP,葡萄糖,白细胞计数,体重,血清白蛋白,尿素和年龄.
- SHAP分析证实了血红蛋白,肌素和D-二次体是主要的风险贡献者.
结论:
- 开发的XGBoost模型为预测心脏病住院患者的GIB风险提供了一个高度准确和可解释的工具.
- 该模型可以通过早期风险识别和个性化预防策略的实施来支持临床决策.
更多相关视频
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
200
08:27A New Hybrid Quantitative Evaluation Model for Axillary Junctional Hemorrhage in Swine
Published on: December 6, 2024
397
