首页 > 右江民族医学院学报 > 基于XGBoost模型和SHAP值的慢性冠脉综合征风险预测及可解释性分析

基于XGBoost模型和SHAP值的慢性冠脉综合征风险预测及可解释性分析

Risk prediction and interpretability analysis of chronic coronary syndromes based on XGBoost model and SHAP values

二维码有效期 120s

摘要目的构建基于XGBoost和SHAP值的可解释性模型,该模型可同时实现良好的预测能力和解释能力,可用于慢性冠脉综合征(CCS)患者的可解释预测.方法本研究选取2019年9月至2023年6月就诊于福建中医药大学附属第三人民医院、福建中医药大学附属南平人民医院、上海中医药大学附属龙华医院CCS患者数据,数据包括患者的临床基线资料、心血管危险因素以及既往行经皮冠状动脉介入治疗(PCI)和/或冠状动脉旁路移植术(CABG)手术情况及冠脉造影结果.在本研究中,通过将XGBoost模型与其他4种机器学习模型进行比较,评估XGBoost模型的预测性能.此外,使用基于SHAP值的可视化解释器用于提供个性化评估和解释,以实现个性化的临床决策支持.结果 XGBoost模型能较好地预测CCS人群的重大不良心血管事件(MACE)发生,与以往的预测模型相比,此模型更为简单有效,预测精度高,模型召回率(RR)和受试者工作特征曲线下面积(AUC)分别为84.85％和98.01％,均高于其他4种模型结果.此外,该文对两组指标进行了特征依赖分析,发现高血压、低密度脂蛋白胆固醇(LDL-C)、吸烟指数、中医证型和年龄可显著影响MACE发生风险.结论基于XGBoost和SHAP值的可解释性模型可能有助于临床医生更准确快速地识别CCS人群中存在MACE风险的患者,为患者提供更好的治疗.此外,可视化的可解释性框架的使用增加了模型透明度,便于临床医生分析预测模型的可靠性.

作者黄希 ^[1] 张硕 ^[1] 江红梅 ^[1] 罗斌 ^[1] 林佳 ^[2] 毛美娇 ^[3] 连大卫 ^[4] 吴黎明 ^[5] 学术成果认领

作者单位福建中医药大学附属第三人民医院,福建福州 350108 ^[1] 福建中医药大学附属南平人民医院,福建南平 353000 ^[2] 上海中医药大学附属龙华医院,上海 200032 ^[3] 福建中医药大学附属第三人民医院,福建福州 350108;福建中医药大学中西医结合学院中西医结合研究院,福建福州 353122 ^[4] 福建医科大学附属协和医院,福建福州 350001 ^[5]

关键词慢性冠脉综合征 XGBoost SHAP 预测模型特征可视化 chronic coronary syndrome XGBoost SHAP predictive model feature visualization

分类号 R541.4（心脏、血管《循环系》疾病）

栏目名称

论著与临床报道

DOI 10.3969/j.issn.1001-5817.2024.06.008

发布时间 2025-02-18（万方平台首次上网日期，不代表论文的发表时间）

基金项目

福建省自然科学基金项目（2023J01886）