[根据机器学习和SHAP构建可解释的针预测模型,用于在接受甲维持治疗的患者中减少甲]
Baochao Fan1, Qiao Zhang1, Chen Chen2
1Clinical Medical College of Acupuncture-Moxibustion and Rehabilitation, Big Data Laboratory of Acupuncture-Moxibustion Research Center, Guangzhou University of CM, Guangzhou 511400, Guangdong Province, China.
Zhongguo zhen jiu = Chinese acupuncture & moxibustion
|October 11, 2025
概括
针可以帮助在接受甲维持治疗 (MMT) 的患者中减少甲. 影响甲减少的关键因素包括干预类型,BMI,MMT持续时间和阿片类药物使用史.
科学领域:
- 成 药物 药物 药物 药物
- 计算精神病学是一种计算精神病学.
- 在医疗保健中的数据科学.
背景情况:
- 甲维持治疗 (MMT) 对于阿片类药物使用障碍管理至关重要.
- 降低甲剂量需要仔细考虑患者特定的因素.
- 预测建模可以优化MMT和甲减少策略.
研究的目的:
- 开发一种预测模型,用于在MMT患者中降低甲.
- 通过SHAP分析确定影响甲减少的关键临床因素和干预措施.
主要方法:
- 对两项涉及针治疗MMT患者的临床试验的分析.
- 构建和比较六种机器学习算法 (SVM,KNN,LR,NB,RF,CatBoost) 和两个组合方法 (混合,堆叠).
- 在最佳模型上使用Shapley添加式解释 (SHAP) 进行解释性分析.
主要成果:
- CatBoost和Stacking模型在预测甲减少方面表现最佳.
- 在接受针治疗的患者中,甲减少的关键预测因素包括干预措施,BMI,MMT持续时间,阿片类药物使用史和职业.
- SHAP分析显示,BMI,MMT持续时间,阿片类药物使用史和甲降低功效之间的非线性负相关性.
结论:
- 对临床因素的全面考虑对于减少甲是必不可少的,特别是在使用针作为辅助治疗时.
- 一个可解释的预测模型为改善MMT临床策略提供了科学基础.
- 基于预测建模的洞察力,可以开发个性化的甲减少方案.
