文献类型：期刊文章

作　　者：张玮畅[1] 田晶[2] 杨弘[1] 韩清华[2] 张岩波[1,3]

ZHANG Weichang;TIAN Jing;YANG Hong;HAN Qinghua;ZHANG Yanbo(Department of Biostatistics,School of Public Health,Shanxi Medical University,Shanxi Provincial Key Laboratory of Major Diseases Risk Assessment,Taiyuan 030000,China;Department of Cardiology,First Hospital of Shanxi Medical University,Taiyuan 030000,China;School of Health Services and Management,Shanxi University of Chinese Medicine,Jinzhong 030619,China)

机构地区：[1]山西医科大学公共卫生学院卫生统计学教研室,重大疾病风险评估山西省重点实验室,太原030000 [2]山西医科大学第一医院心内科,太原030000 [3]山西中医药大学健康服务与管理学院,晋中030619

出　　处：《中华疾病控制杂志》

基　　金：国家自然科学基金(81872714,82173631);山西省重点实验室(201805D111006)

年　　份：2023

卷　　号：27

期　　号：4

起止页码：373-378

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EMBASE、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：目的通过机器学习算法和SHAP(shapley additive explanations)方法分析冠心病(coronary heart disease,CHD)合并慢性心力衰竭(chronic heart failure,CHF)患者全因死亡的风险因素。方法选择山西省两所三级甲等医院诊断为CHD合并CHF患者2648例。利用XGBoost方法筛选出的变量,分别构建Cox、随机生存森林(random survival forests,RSF)、XGBoost模型;应用SHAP进行模型可解释性分析。结果利用XGBoost方法构建的预测模型具有最高预测性能,其一致性指数(concordance index,C-index)为0.902(0.900~0.915)。模型显示,年龄、N端前脑钠肽、SBP、肌酐越高,患者死亡风险越高;糖尿病(diabetes mellitus,DM)、中枢神经系统性疾病、他汀类药物也是影响患者预后的重要影响因素。结论XGBoost方法所构建的生存分析预测模型能够更准确地评估患者不良预后,结合SHAP可以对患者的个体化风险预测提供明确解释,有助于辅助医生对患者进行个性化临床治疗。

关 键 词：XGBoost  冠心病 慢性心力衰竭 生存分析  可解释性

分 类 号：R541.4] R541.6]