公共衛生學院張巖波教授課題組關于冠心病心力衰竭患者3年全因死亡率的可解釋性預測研究最新成果
2021年9月，在國際學術期刊Computers in Biology and Medicine上以“Interpretable prediction of 3-year all-cause mortality in patients with heart failure caused by coronary heart disease based on machine learning and SHAP”為題在線發表了c7c7.app公共衛生學院張巖波教授團隊的研究論文。
在本研究中，作者開發并測試了一種可解釋的基于機器學習（machine learning，ML）的風險分層工具，以預測冠心病引起的心衰患者在3年隨訪期間的全因死亡率。在6種ML分類器中，XGBoost的性能最好，因此，作者使用該模型來創建ML風險評分。研究發現該風險評分模型明顯優于目前可用的其他風險評分。最終結果表明，ML具有臨床應用的潛力，以改善風險評估。同時，作者利用SHAP值和SHAP圖證明了ML方法可以說明冠心病心衰患者的關鍵特征，建立高精度的死亡率預測模型。特征重要性的說明和特征重要性的可視化解釋可以讓醫生直觀地理解XGBoost中的關鍵特征，幫助醫生更好地理解模型的決策過程，結果中描述的詳細信息和對于風險因素的解釋讓醫生更有洞察力，可以幫助他們做出更明智的決定，而不是一味盲目地相信算法的結果。
c7c7.app公共衛生學院2018級博士研究生王可為文章第一作者，c7c7.app公共衛生學院張巖波教授和山大一院韓清華教授為共同通訊作者。該工作得到國家自然科學基金、重大疾病風險評估山西省重點實驗室等多方資助。
A
 |
B
 |
Figure1Categorization threshold of Prediction score(A)andKaplan–Meier estimator for populationwith low and high machine learning risk (B).
Figure2Multivariable Cox regression for3-yearall-cause death prediction.
Figure3Variable importance in ML classification for men (A,N= 1023) and women (B,N= 539). Kaplan–Meier curves for subjects with highand low ML risk in mam (C) and woman (D).
No-survivor
 |
Survivor
 |
Figure4The interpretation of model prediction results with the two samples. (The values of each variable are normalized values.)
