使用SHAP开发和验证机器学习模型:预测肺纤维化患者28天死亡风险
Zijun Wu1,2, Mingliang Li1,2, Zhiliang Xu2
1Guangdong Medical University, No. 2 Wenming East Road, Xiashan District, Zhanjiang City, Guangdong Province, China.
BMC medical informatics and decision making
|October 15, 2025
概括
机器学习模型可以预测肺纤维化 (PF) 患者的28天死亡风险. 像LightGBM这样的可解释模型,使用诸如ICU停留等因素,识别高风险个体,以便做出更好的临床决策.
科学领域:
- 肺部医学 肺部医学
- 医疗信息学 医疗信息学
- 计算生物学 计算生物学
背景情况:
- 早期预测28天死亡率对于肺纤维化 (PF) 的个性化治疗至关重要.
- 机器学习 (ML) 为开发准确的预测模型提供了一个有希望的途径.
研究的目的:
- 开发和验证可解释的ML模型,用于预测PF患者28天死亡风险.
- 确定影响PF短期死亡率的关键临床因素.
主要方法:
- 利用了PF患者的MIMIC-IV数据库中的数据.
- 使用后勤回归和LASSO进行特征选择.
- 构建并比较了六个ML模型 (决策树,KNN,LightGBM,NN,SVM,XGBoost).
- 应用了SHapley添加式解释 (SHAP) 来实现模型的可解释性.
主要成果:
- 轻GBM模型实现了高预测性能,其AUC为0.819.
- SHAP分析确定了ICU停留时间,呼吸率和白细胞计数作为关键预测因素.
- 住院时间是对死亡风险影响最大的因素.
结论:
- ML模型显示了在PF中早期28天死亡风险预测的显著潜力.
- SHAP分析提高了模型的解释性,帮助PF患者的临床决策.