换一批小脑出血短期死亡风险预测:四种机器学习模型评估及SII指标的显著影响
Prediction of short-term mortality risk in cerebellar hemorrhage:Evaluation of four machine learning models and the significant impact of SII
摘要目的 构建机器学习模型预测小脑出血患者短期死亡风险.方法 基于 203 例自发性小脑出血患者数据,运用logistic回归、随机森林、极端梯度提升(XGBoost)和表格先验数据拟合网络(TabPFN)4 种模型,经LASSO回归筛选特征后开发并验证模型.利用ROC曲线、准确率等相关指标对机器学习模型的性能进行综合评价,利用SHAP图阐明模型内变量的重要性,选择最优模型.结果 自发性小脑出血患者短期死亡率为 27.7%(56/203).TabPFN模型预测效能最佳(训练集AUC:0.959,95%CI:0.926～0.983;测试集AUC:0.815,95%CI:0.670～0.930).SHAP分析显示,模型内关键变量依次为:入院格拉斯哥昏迷评分(GCS)评分、系统性免疫炎症指数(SII)、血肿最大横截面与颅后窝面积比、是否伴脑干受压与出血破入脑室.结论 低GCS评分、高SII、高血肿最大横截面与颅后窝面积比、出血破入脑室是小脑出血患者短期死亡的独立危险因素.TabPFN机器学习模型可用于预测自发性小脑出血短期死亡,其中入院GCS评分及SII预测价值较大.
更多相关知识
关键词
小脑出血机器学习SHAP解释短期死亡系统性免疫炎症指数LASSO回归TabPFNcerebellar hemorrhagemachine learningSHAP explanationshort-term mortalitysystemic immune-inflammation indexLASSO regressionTabPFN
分类号
R735.3（消化系肿瘤）
栏目名称
DOI
10.12467/j.issn.2096-3882.20240880
发布时间
2025-06-24（万方平台首次上网日期，不代表论文的发表时间）
基金项目
国家自然科学基金（81802529）
江苏省高等学校创新创业训练计划项目（202110313047Y）
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
