开发和实施可解释的基于人工智能的机器学习模型,用于预测心血管患者住院和治疗费用
Alireza Banaye Yazdipour1,2, Parisa Mehdizadeh3, Masoud Arabfard4
1Department of Health Information Technology, School of Paramedical and Rehabilitation Sciences, Mashhad University of Medical Sciences, Mashhad, Iran.
Scientific reports
|December 28, 2025
概括
机器学习模型准确地预测心血管疾病患者接受血管整形或CABG的住院时间和治疗费用. 开发的工具有助于临床决策和资源规划.
科学领域:
- 心血管医学 心血管医学
- 医疗信息学 医疗信息学
- 机器学习 机器学习
背景情况:
- 心血管疾病 (CVD) 是导致死亡的首要原因,医疗保健支出也很大.
- 预测工具对于管理住院时间 (LOS) 和心血管疾病患者的治疗费用至关重要,这些患者接受了血管造形术和冠状动脉旁路移植 (CABG) 等手术.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测心血管住院患者的医院LOS和治疗成本.
- 创建一个可解释和临床实施的决策支持应用程序.
主要方法:
- 一项回顾性研究分析了7685名接受血管造形术或CABG的成年住院患者.
- 训练了八个基于回归的ML算法来预测LOS,患者自付费用,保险公司支付和总治疗费用.
- 模型性能使用R2,RMSE和MAE进行评估;SHAP分析提供了可解释性.
主要成果:
- 在所有预测任务中,XGBoost模型表现出卓越的性能.
- 在测试组中,XGBoost实现了R2值:LOS为0.7802,患者OOP为0.8473,保险公司支付为0.8946和总成本为0.6437.
- SHAP分析确定了LOS,干预类型,年龄和并发症作为关键预测因素.
结论:
- 开发了一个全面的,可解释的ML框架,用于预测心血管护理中的LOS和治疗成本.
- 部署的双平台应用程序提供实时,个性化的预测,以支持临床和行政决策.
- 未来的研究应该专注于外部验证,并纳入更广泛的变量,以提高概括性.
