可解释的机器学习用于预测内出血手术后的30天死亡率
Ziyang Wang1, Wenbin Chen1, Yan Shi1
1Anesthesiology, Ningde Municipal Hospital of Ningde Normal University, Ningde, China.
Frontiers in neurology
|March 2, 2026
概括
这项研究开发了一种可解释的机器学习模型,用于预测内出血 (ICH) 手术后的30天死亡率. 该模型识别了可修改的因素,如pH和乳酸盐,有助于临床决策,以获得更好的患者结果.
科学领域:
- 神经外科 神经外科
- 医疗信息学 医疗信息学
- 临界护理医学 临界护理医学
背景情况:
- 内出血 (ICH) 手术带有显著的30天死亡风险.
- 准确预测死亡率对于优化术后管理至关重要.
- 现有的模型可能缺乏可解释性或专注于有限的预后因素.
研究的目的:
- 开发和验证可解释的机器学习模型,用于预测ICH手术后的30天死亡率.
- 确定影响死亡风险的关键可修改的外科手术期间因素.
- 通过准确,可解释的风险分层来加强临床决策.
主要方法:
- 追溯分析992名ICH患者的术后数据.
- 机器学习模型的开发和比较 (XGBoost,物流回归,SVM,随机森林).
- 使用ROC曲线,校准曲线和决策曲线分析 (DCA) 的性能评估; SHAP用于可解释性.
主要成果:
- XGBoost模型显示出高预测准确度 (AUCtrain=0.931,AUCval=0.937),显著超过了后勤回归 (AUC=0.669).
- SHAP分析确定了手术后的pH,乳酸盐,APTT和CRP作为死亡率的关键可修改预测因素.
- 在特定的值概率范围内,XGBoost模型为风险分层提供了最大的净收益.
结论:
- 一个可解释的XGBoost模型使用外科手术期间的数据准确预测ICH手术后的短期死亡率.
- 该模型对可修改的生物标志物 (pH,乳酸盐,APTT,CRP) 的识别有助于针对性干预.
- 该工具支持早期风险分层和优化在关键情况下的术后护理.
