一个具有SHAP解释的可解释机器学习模型预测了儿科急性肝衰竭中自发出血的情况
Qiang Xiong1, Ruijue Wang1, Chenyu Yang1
1Department of Hepatobiliary Surgery, National Clinical Research Center for Child Health and Disorders, Ministry of Education Key Laboratory of Child Development and Disorders, Chongqing Key Laboratory of Pediatrics, Children's Hospital of Chongqing Medical University, Chongqing, China.
Frontiers in medicine
|February 27, 2026
概括
一个新的机器学习模型准确地预测了儿科急性肝衰竭 (PALF) 患者的自发出血. 这种工具有助于临床医生识别高风险儿童并改善PALF出血风险的结果.
科学领域:
- 儿科肝病学 儿科肝病学
- 医疗信息学 医疗信息学
- 机器学习在医学中的应用
背景情况:
- 儿科急性肝衰竭 (PALF) 具有明显的自发出血风险,有助于增加死亡率.
- 目前对PALF的出血风险预测方法不足,需要先进的预测工具.
- 机器学习 (ML) 为开发PALF并发症的准确和可解释模型提供了一个有希望的途径.
研究的目的:
- 开发和验证一种机器学习模型,用于预测被诊断为PALF的儿科患者自发出血.
- 为了提高预测模型的可解释性,使用SHapley添加式扩展 (SHAP) 进行临床实用.
主要方法:
- 一项回顾性队列研究利用了501名PALF患者的数据进行培训,153人进行外部验证.
- 使用Boruta和LASSO回归进行特征选择,由10个ML算法中选择的梯度增强机 (GBM).
- 模型性能使用AUC,准确性,回忆,特异性,精度,F1得分,Brier得分,校准曲线和决策曲线分析 (DCA) 进行评估,并使用SHAP值进行解释性.
主要成果:
- GBM模型表现出强大的预测性能,AUC为0.858 (内部) 和0.839 (外部验证).
- 确定的主要预测因素包括血小板计数,感染,多器官功能障碍综合征 (MODS),肝综合征 (HRS),D-二次体,总蛋白质和乳酸.
- SHAP分析显示感染,MODS和HRS是危险因素,而血小板计数,总蛋白质和纤维素原显示有保护作用.
结论:
- 开发的ML模型提供了对PALF患者自发出血的可靠和可解释的预测.
- 这个工具可以帮助临床医生早期识别高风险个体,指导及时干预.
- 建议使用多种数据集进行进一步验证,并探索出血严重程度的预测.
