一种可解释的机器学习模型,用于预测高椎损伤患者的心肌损伤
Jiaqi Li1,2, Bingyu Zhang1,2, Ye Liao1,2
1Department of Anesthesiology, Anesthesiology Research Institute, The First Affiliated Hospital, Fujian Medical University, Fuzhou, China.
Frontiers in genetics
|August 20, 2025
概括
机器学习模型可以预测高部脊髓损伤患者的心肌损伤. 通过SHAP解释的神经网络模型,为早期诊断和管理提供准确和个性化的风险见解.
科学领域:
- 心血管医学
- 神经学
- 人工智能
背景情况:
- 高脊髓损伤 (HCSCI) 会导致自主功能障碍和心血管并发症的风险,包括心肌损伤.
- 由于缺乏预测工具,在HCSCI患者中早期发现心肌损伤是困难的.
研究的目的:
- 开发和验证用于预测HCSCI患者心肌损伤的机器学习 (ML) 模型.
- 确定独立的风险因素并提高临床决策的可解释性.
主要方法:
- 对454名心肌损伤患者的回顾性分析,分为心肌损伤 (n=101) 和无损伤 (n=353) 组.
- 使用AUC,F1分数和AP的四种ML模型 (逻辑回归,GBM,神经网络,AdaBoost) 的开发和评估.
- 应用SHapley添加式解释 (SHAP) 进行模型解释.
主要成果:
- 呼吸不良和低血红素被确定为心肌损伤的独立预测因素.
- 神经网络模型表现出最高的性能 (AUC,F1得分) 和卓越的校准.
- SHAP分析突出了关键预测因素,包括呼吸障碍,LDL,脊髓水平,和血红素.
结论:
- 一个可解释的ML模型,特别是SHAP的神经网络,可以准确地预测心肌损伤.
- 这种方法提供了透明,个性化的风险洞察力,以支持早期诊断和有针对性的管理.
