换一批预测重症缺血性脑卒中死亡风险的模型:基于内在可解释性机器学习方法
An interpretable machine learning-based prediction model for risk of death for patients with ischemic stroke in intensive care unit
摘要目的 构建一种内在可解释性机器学习模型,即可解释提升机模型(EBM)来预测重症缺血性脑卒中患者一年死亡风险.方法 使用2008～2019年MIMIC-IV2.0数据库中符合纳排标准的2369例重症缺血性脑卒中患者资料,将数据集随机分成训练集(80%)和测试集(20%),构建可解释提升机模型评估疾病预后.通过计算受试者工作特征曲线下面积(AUC)来衡量预测效果,使用校准曲线及布里尔分数(Brier score)评价模型的校准程度,并绘制决策曲线反映临床净收益.结果 本研究所构建的可解释提升机具有良好的区分度、校准度和净收益率,其中模型预测重症缺血性脑卒中预后不良的AUC为0.857[95%CI(0.831,0.887)];校准曲线分析结果显示,可解释提升机模型的校准曲线最接近于理想曲线;决策曲线分析结果显示,当该模型预测概率阈值为0.10～0.80时,其预测净获益率最大.基于可解释提升机模型的前5个独立预测变量为年龄、SOFA评分、平均心率、机械通气、平均呼吸频率,其重要性得分从0.179～0.370.结论 建立了一个可解释提升机模型,该模型应用于预测重症缺血性脑卒中患者一年内死亡风险具有良好的表现,通过模型可解释性能帮助临床医生更好地理解结果背后的原因.
更多相关知识
关键词
重症缺血性脑卒中内在可解释性机器学习可解释提升机死亡预测severe ischemic strokeinherent interpretability machine learningexplainable boosting machinemortality prediction
栏目名称
DOI
10.12122/j.issn.1673-4254.2023.07.21
发布时间
2023-07-31（万方平台首次上网日期，不代表论文的发表时间）
基金项目
上海市公共卫生体系建设学科带头人计划（GWV-10.2-XD05）
上海市产业协同创新项目（2021-cyxt1-kj10）
- 浏览89
- 被引13
- 下载59
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
