基于XGBoost-SHAP的急性主动脉夹层患者术后院内死亡风险可解释预测模型研究

《BMC Medical Informatics and Decision Making》：XGBoost–SHAP-based interpretable predictive website for postoperative in-hospital mortality in patients with acute aortic dissection

　　

摘要

背景

使用常规人口统计学和临床数据为急性主动脉夹层（AAD）患者开发便捷且准确的预后模型具有挑战性。本研究旨在利用基于Shapley加性解释的极端梯度提升（XGBoost–SHAP）开发一个可解释的基于Web的预测模型，使用易获得的临床数据预测AAD患者术后院内死亡（PIHM）风险。

方法

本回顾性研究分析了河北医科大学第四医院782例AAD患者的入院记录，将其分为训练集（n = 470）和测试集（n = 312）。同时，河北医科大学第二医院318例AAD患者作为独立外部验证队列入组，以评估所开发模型的泛化能力。使用最小绝对收缩和选择算子（LASSO）和逻辑回归分析识别与PIHM相关的关键风险因素。将SHAP方法与XGBoost结合创建可解释的预测模型，并在三个数据集上通过受试者工作特征（ROC）曲线、校准度、区分度和临床效用进行评估，最终开发了一个针对AAD患者PIHM的预测网站。

结果

LASSO回归和逻辑回归突出了与PIHM相关的几个关键特征，包括急性肾损伤、α-羟基丁酸脱氢酶、Stanford A分型、二氧化碳、血氯、单核细胞计数、红细胞压积、上消化道出血和心力衰竭。基于XGBoost的预测模型在三个数据集上均表现出可接受的性能（灵敏度分别为97.9%、96.8%和95.3%；特异性分别为71.3%、67.8%和70.9%；准确率分别为84.5%、82.4%和83.3%；AUC值分别为0.845、0.737和0.788；F1分数分别为0.911、0.899和0.903）。最终，开发了一个基于XGBoost–SHAP的网站，有望支持临床决策、风险分层和患者管理。

结论

本研究开发了一个预测AAD患者PIHM风险的模型，并展示了一个基于XGBoost-SHAP的可解释预测网站，在临床决策、风险分层和患者管理方面具有潜在应用价值。

临床试验编号

不适用。