换一批基于可解释机器学习与SHAP值的精神分裂症患者攻击行为风险预测研究
Study on Risk Prediction of Aggressive Behavior in Patients with Schizophrenia Based on Interpretable Machine Learning and SHAP Values
摘要目的 通过可解释的机器学习(ML)技术,提高对精神分裂症患者攻击行为风险的预测准确性.方法 选取我院2022年1月—2024年6月间收治的529例精神分裂症患者作为研究对象.通过Boruta筛选患者攻击行为特征,以3∶2比例随机分为317 例训练集和 212 例测试集,8 种ML模型 10 倍交叉验证.结果 Boruta算法筛选出 8 个重要特征变量,包括CTQ-SF、BPRS、HDL、SES、MLR、PANSS阳性症状评分、PANSS一般精神病理评分和PLR.其中,XGBoost模型在ROC曲线中的AUC值最高.CTQ-SF、BPRS和HDL是预测攻击行为风险最重要的三个特征变量.结论 XGBoost模型在预测攻击行为风险方面具有较高的准确性和临床价值,通过SHAP值解释,提升了模型的透明性和解释性,有助于临床医生更好地理解模型预测结果.
更多相关知识
关键词
精神分裂症机器学习Boruta算法Shapley加性解释风险预测SchizophreniaMachine learningBoruta algorithmShapley additive explanation(SHAP)Risk prediction
栏目名称
DOI
10.3969/j.issn.1671-9069.2026.01.015
发布时间
2026-03-11（万方平台首次上网日期，不代表论文的发表时间）
基金项目
浙江省卫生健康科技计划项目（2022ZH062）
- 浏览3
- 被引0
- 下载3
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
