基于SHAP解释的XGBoost机器学习模型预测神经外科ICU术后院内死亡率的回顾性队列研究

《BMC Medical Informatics and Decision Making》：Machine learning for in-hospital mortality prediction in postoperative neurosurgical ICU patients: model comparison with SHAP-based interpretation

　　

摘要

背景

神经外科重症监护病房的术后死亡率仍然很高。本研究利用金华NSICU数据库，开发并内部验证了基于SHAP解释的机器学习模型，用于预测院内死亡率。

方法

本回顾性队列研究纳入7,841例神经外科术后患者，按70%（n=5,488）和30%（n=2,353）划分为训练集和测试集。对21个经LASSO筛选的特征，使用7种机器学习算法进行无类别加权训练。模型选择基于综合性能，包括区分度、校准度和精确率-召回率指标。采用SHAP分析进行特征重要性排序。

结果

在7,841例患者（院内死亡率6.1%）中，XGBoost的测试集AUC为0.877（95%CI 0.849–0.905），校准度可接受（Brier评分0.0424，斜率1.149）。在区分度方面，其性能与逻辑回归相当，但Brier评分更低。SHAP分析识别出平均中性粒细胞计数、平均血糖和平均白蛋白为最重要的预测因子。假阴性病例的实验室指标相对正常，提示死亡可能由急性神经事件驱动。

结论

在本单中心队列中，XGBoost对神经外科ICU术后死亡预测表现出良好性能。SHAP分析识别出炎症、代谢和营养指标为重要预测因子。在临床应用前，需在独立队列中进行外部验证。

临床试验注册

临床试验编号：不适用。