机器学习预测STEMI发病率的环境决定因素的SHAP解释
Hongxin Xu1, Hongzheng Guan2, Yingtao Zhang3
1Department of Cardiology, the First Affiliated Hospital of Harbin Medical University, Harbin, China.
Scientific reports
|November 17, 2025
概括
这项研究表明,空气污染和天气显著影响ST段升高心肌梗塞 (STEMI) 风险. 机器学习模型有效地预测STEMI,强调PM2.5,SO2,NO2和天气作为关键的环境因素.
科学领域:
- 环境科学 环境科学
- 心血管医学 心血管医学
- 数据科学数据科学数据科学
背景情况:
- ST段升高心肌梗塞 (STEMI) 是一个关键的心血管事件.
- 环境因素,如空气污染和气象条件影响STEMI发病率.
- 传统的统计方法难以建模环境因素和STEMI风险之间的复杂,非线性关系.
研究的目的:
- 开发和验证一个强大的,可解释的机器学习模型来预测STEMI风险.
- 确定STEMI的关键环境预测因素,包括空气污染物和气象因素.
- 阐明环境暴露对STEMI发病率的滞后影响.
主要方法:
- 从中国哈尔 (2014-2023) 的住院数据分析与气象和空气污染数据相结合.
- 应用七个机器学习模型,包括LightGBM和XGBoost,用于STEMI风险预测.
- 使用递归特征消除 (RFE) 进行预测器识别和嵌套交叉验证进行性能评估. 为了模型的解释性,采用了沙普利增量解释法 (SHAP).
主要成果:
- 轻GBM模型表现出卓越的性能,AUC为0.84,表明高预测准确性和通用性.
- 确定的主要预测因素包括PM2.5,SO2,NO2,气压,湿度和风速,具有显著的滞后效应.
- 该研究成功开发了一个可解释的模型,捕捉了对STEMI的复杂环境影响.
结论:
- 机器学习模型,特别是LightGBM,提供了基于环境因素预测STEMI风险的强大方法.
- 长时间暴露在特定的空气污染物和恶劣的气象条件下,累计增加心血管风险.
- 研究结果支持加强基于环境监测的STEMI预防和资源分配的公共卫生战略.
