南方医科大学学报

作者：申采玉, 王帅, 周锐盈, 汪雨贺, 高琴, 陈兴智, 杨枢

单位：1.蚌埠医科大学，卫生管理学院，安徽 蚌埠 233030；2.蚌埠医科大学，公共卫生学院，安徽 蚌埠 233030；4.蚌埠医科大学，基础医学院，安徽 蚌埠 233030；3.蚌埠医科大学附属蚌埠第三人民医院急诊内科，安徽 蚌埠 233030

关键词：慢性心力衰竭,肺部感染,预测模型,SHAP算法,机器学习,

基金：国家自然科学基金(81770297);安徽省临床医学研究转化专项(202304295107020079);蚌埠医科大学自然科学重点项目(2020byzd018);蚌埠医科大学研究生科研创新计划项目(Byycx23038)

目的 使用可解释性机器学习方法预测慢性心力衰竭（CHF）合并肺部感染患者的院内死亡风险。 方法 回顾性分析MIMIC-IV数据库中诊断为CHF合并肺部感染的1415例患者病历信息。按病原体种类将患者划分为合并细菌性肺炎（841例）、合并非细菌性肺炎（574例）两个亚组，采用Kaplan-Meier生存曲线描述不同亚组的死亡风险差异。基于单因素分析和LASSO回归筛选特征。分别构建LR、AdaBoost、XGBoost、LightGBM模型，通过准确性、精确度、F1值、AUC等指标比较模型性能，使用eICU-CRD数据库进行外部验证。应用SHAP算法对XGBoost模型进行解释性分析。 结果 内部测试集中XGBoost模型预测CHF合并肺部感染患者院内死亡风险的准确性高于其他模型。外部测试集显示，合并细菌性肺炎、合并非细菌性肺炎两亚组中XGBoost模型的AUC值分别为0.691（95%CI：0.654~0.720）、0.725（95%CI：0.577~0.782）。相较于其他模型，XGBoost模型表现出了更好的预测能力和稳定性。 结论 在预测CHF合并肺部感染患者的院内死亡风险方面，XGBoost模型的综合表现优于其他3种模型。SHAP算法为模型提供了明确解释，有助于临床医生进行决策。

来源：2024年第6期

《南方医科大学学报》期刊编辑部

查看南方医科大学学报杂志2024年第6期