基于机器学习的体外冲击波碎石术后无结石状态的预测

《World Journal of Urology》：Machine learning-based prediction of stone-free status following extracorporeal shock wave lithotripsy

摘要SWL术后结石清除率预测模型研究，通过LightGBM构建分类模型并采用SHAP解释特征重要性，发现结石尺寸、输尿管结石和结石负担为关键预测因子，经SMOTE-Tomek平衡数据后，高血压和年龄影响显著，验证了传统方法与SHAP在非线性特征识别上的差异。

　　

摘要

目的

开发一种机器学习模型，用于预测体外冲击波碎石术（SWL）后的无石（SF）结果，并利用可解释的机器学习技术识别关键的临床和与结石相关的预测因素。

方法

回顾性分析了2013年至2022年间在一家医疗机构接受SWL治疗的369名患者。使用临床和与结石相关的特征来训练Light Gradient Boosting Machine（LightGBM）分类模型。数据集被分为训练集（70%）和测试集（30%），并通过准确率、曲线下面积（AUC）、召回率、精确度和F1分数来评估模型性能。使用SHapley Additive Explanations（SHAP）值来评估特征的重要性。采用SMOTETomek方法来解决类别不平衡问题。

结果

LightGBM模型在测试集中的总体准确率为82.88%，AUC为0.651。然而，无石组的召回率和精确度较低（分别为18.2%和16.7%），这反映了由于类别不平衡导致的模型偏差。SHAP分析确定平均结石大小、输尿管结石和结石负荷是SWL成功的主要预测因素。经过类别平衡后，高血压和年龄成为模型中最具影响力的特征之一。逻辑回归证实了平均结石大小和结石位置的显著性，而SHAP揭示了传统方法未能捕捉到的其他非线性特征贡献。

结论

结合SHAP解释的LightGBM模型有效地识别了SWL结果的重要预测因素。尽管整体表现良好，但对无石病例的敏感性较低，这突显了类别不平衡的影响。通过平衡技术和纳入更多临床变量来解决这一问题，可能会提高预测能力，并支持SWL的个性化治疗计划。