基于XGBoost和SHAP的急性肾损伤可解释预测模型
重症监护病房(ICU)住院期间发生的急性肾损伤(AKI)与患者发病率和死亡率的增加有关.该研究的目的是提出一个基于机器学习的框架,用于危重病患者的可解释AKI预测,该框架能够同时实现良好的预测和解释能力.该文从重症监护医学信息数据库Ⅲ(MIMIC-III)中提取的数据包括患者的年龄、性别、生命体征和ICU入院第1天及随后的化验值.在该研究中,通过将XGBoost模型与其他4种机器学习模型进行比较,证明了XGBoost模型的预测性能.此外,SHAP(SHapley Additive exPlanation)模型可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.结果表明,XGBoost能较好地预测AKI,与以往的预测模型相比,此模型更为简单有效,仅用21个特征变量即得到了更稳定的预测结果,预测精度高,模型准确率和受试者工作特征曲线下面积(AUC)分别为0.824和0.840,均高于既往研究结果.此外,该文对两组指标进行了特征依赖分析,发现24h尿量减少和血尿素氮升高可增加AKI风险.综上所述,该可解释预测模型可能有助于临床医生更准确快速地识别重症监护中存在AKI风险的患者,为患者提供更好的治疗.此外,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.
急性肾损伤;重症监护;模型解释;临床决策支持;预测模型
44
TP391(计算技术、计算机技术)
2022-02-18(万方平台首次上网日期,不代表论文的发表时间)
共12页
27-38