基于可解释机器学习模型预测急性主动脉夹层患者院内急性肾损伤风险
赵鹏英1
罗孜然2
邵馨泉2
金赛2
卫治理2
陈阳2
黎旭华2
宋兵3
1.730000 兰州,兰州大学第一临床医学院;730000 兰州,兰州大学第一医院心血管外科2.730000 兰州,兰州大学第一临床医学院3.730000 兰州,兰州大学第一医院心血管外科
摘要：目的 筛选出急性主动脉夹层(AAD)患者院内发生急性肾损伤(AKI)的危险因素,并建立一个预测院内急性肾损伤的机器学习模型.方法 提取MIMIC-Ⅳ数据库中急性主动脉夹层患者的数据,并以此为基础建立支持向量机、梯度提升机、神经网络、极限梯度提升机和K近邻共5种机器学习模型,采用受试者操作特征曲线下面积(AUC)评估模型效能,然后采用SHAP可视化分析对最优模型进行解释.结果 通过筛选MIMC-Ⅳ数据库共获得351例急性主动脉夹层患者,其中91例患者发生AKI(25.93%).本次研究共收集41个特征,其中有9个特征经过筛选被用于模型构建,将纳入患者的70%随机分配到训练集,将30%的患者分配到测试集,在训练集中建立机器学习模型并在测试集中进行验证.在5种机器学习模型中XGBoost模型表现最优,在训练集中AUC为0.854,在测试集中AUC为0.718,SHAP可视化分析结果显示AAD患者院内并发AKI的危险因素重要性的排序为:尿量、血糖最大值、体质指数(BMI)、急性生理和慢性健康Ⅲ评分(APSⅢ)、血尿素氮最大值、肌酐最大值、体重、血尿素氮最小值和肌酐最小值.结论 我们所建立的XGBoost机器学习模型可有效地预测AAD患者院内并发AKI的风险.
关键词：急性主动脉夹层急性肾损伤机器学习预测模型
分类号：R543.1(心脏、血管（循环系）疾病)
资助基金：甘肃省青年科技项目(24JRRA1084)
论文发表日期：2025-08-20
在线出版日期：2025-10-24（本平台首次上网日期，不代表文献的发表时间）
页数：8( 915-922 )
英文信息