换一批基于可解释性机器学习的心力衰竭并发急性肾损伤生存预后模型研究
Research on survival prognosis model for heart failure complicated with acute kidney injury based on interpretable machine learning
摘要目的 本研究旨在开发并验证一种基于可解释性机器学习的心力衰竭(HF)并发急性肾损伤(AKI)患者住院期间全因死亡风险预测模型.方法 研究数据来源于MIMIC-Ⅳ数据库,纳入 9987 例ICU住院患者,通过国际疾病分类编码(ICD-9/10)筛选HF合并AKI病例.采用多重插补处理缺失数据,结合Lasso回归与BorutaShap算法进行特征筛选,最终确定 13 个关键预测因子,包括查尔森合并症指数、急性生理与慢性健康评分、住院时长等.本研究比较了10种机器学习模型(如XGBoost、随机森林、逻辑回归等).结果 随机森林、梯度提升机和XGBoost的AUC最佳(0.78);XGBoost准确率最高(71.76%),F1 得分最优(75.00%);决策树特异度最突出(90.80%);梯度提升机灵敏度最佳(78.03%).SHAP分析表明,查尔森合并症指数、急性生理与慢性健康评分及呼吸率是影响死亡风险的核心因素.研究进一步揭示了特定亚群体中特征重要性的动态差异,例如住院时长与胆红素评分在局部预测中的突出作用.基于模型结果,开发了在线风险评估平台,为临床医生提供个体化风险概率,支持早期干预决策.结论 本研究通过可解释性机器学习模型,为HF并发AKI患者的预后管理提供了精准工具,为临床提供辅助决策.
更多相关知识
关键词
心力衰竭急性肾损伤机器学习可解释性分析生存预后模型Heart failureAcute kidney injuryMachine learningInterpretability analysisSurvival prognosis model
分类号
R575.5（消化系及腹部疾病）
栏目名称
DOI
10.20116/j.issn2095-0616.2025.10.01
发布时间
2025-06-26（万方平台首次上网日期，不代表论文的发表时间）
基金项目
黑龙江省省属高校科研基本业务费科研项目（2024-KYYWF-0474）
- 浏览7
- 被引0
- 下载11
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
