换一批基于可解释机器学习的重症慢性阻塞性肺疾病的预后模型
Interpretable machine learning-based prognostic model for severe chronic obstructive pulmonary disease
摘要目的 建立预测重症慢性阻塞性肺疾病(简称慢阻肺)患者死亡风险的机器学习模型,探讨与慢阻肺患者死亡风险相关的因素,并加以解释,解决机器学习模型的"黑箱"问题.方法 选取美国多中心急诊重症监护病(emergency intensive care unit,eICU)数据库中的8 088例重症慢阻肺患者为研究对象,提取每次入住重症监护病房的前24 h内的数据并随机分组,70％用于模型训练,30％用于模型验证.采用LASSO回归进行预测变量选择,避免过拟合.采用5种机器学习模型对患者的住院病死率进行预测.通过曲线下面积(area under curve,AUC)比较5种模型和APACHE Ⅳa评分的预测性能,并采用SHAP(SHapley Additive exPlanations)方法解释随机森林(random forest,RF)模型的预测结果.结果 RF模型在5种机器学习模型和APACHE Ⅳa评分系统中表现出最佳的性能,AUC达到0.830(95％置信区间0.806～0.855).通过SHAP方法检测最重要的10种预测变量,其中无创收缩压的最小值被认为是最重要的预测变量.结论 通过机器学习识别危险因素,并使用SHAP方法解释预测结果,可早期预测患者的死亡风险,有助于临床医生制定准确的治疗计划,合理分配医疗资源.
更多相关知识
关键词
慢性阻塞性肺疾病机器学习eICU合作研究数据库病死率SHAP(SHapley Additive exPlanations)方法Chronic obstructive pulmonary diseasemachine learningeICU Collaborative Research DatabasemortalitySHAP(SHapley Additive exPlanation)method
栏目名称
DOI
10.7507/1671-6205.202311003
发布时间
2024-04-15（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（32201231）
- 浏览0
- 被引8
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
