目的 利用可解释的机器学习模型,探讨轻型缺血性卒中(minor ischemic stroke,MIS)2年内复发相关危险因素.方法 回顾性收集2020年7-12月山西省心血管病医院神经内科MIS患者一般资料、实验室结果、影像学等资料,单因素分析进行复发危险因素变量筛选,合成少数过采样技术-标称连续处理数据不平衡,数据集按8∶2的比例分为训练集与测试集,网格搜索10折交叉验证构建轻量梯度提升机(light gradient boosting machine,LightGBM)、支持向量机(support vector machine,SVM)模型,并与逻辑回归(logistic regression,LR)模型进行比较,基于ROC的AUC、校准曲线分别评价模型的区分度与校准度,性能最好的模型通过Shapley加性解释(Shapley additive explanation,SHAP)模型对预测结果进行解读.结果 本研究共纳入520例MIS患者,2年内复发93例(17.9％),测试集中LightGBM、SVM、LR预测患者2年内复发的AUC分别为0.935(95％CI 0.896～0.973)、0.833(95％CI 0.770～0.896)、0.764(95％CI 0.691～0.835),准确度分别为0.890、0.773、0.693,布里尔分数分别为0.105、0.167、0.200.结果 显示LightGBM模型性能最优,基于SHAP的LightGBM可解释模型重要性前5的是舒张压、年龄、糖尿病、LDL-C、吸烟.结论 本研究建立的LightGBM模型预测效果良好,可为MIS患者2年内复发的预测提供借鉴.通过SHAP可解释性帮助临床医师更好地理解预测模型结果背后的原因,对MIS患者做出更个性化与合理化的临床决策.

目的:探讨可解释的机器学习模型预测急性缺血性脑卒中预后的应用价值。方法:选取广东医科大学附属湛江中心医院神经内科自2020年3月至2023年10月实施静脉溶栓治疗的296例急性缺血性脑卒中患者为研究对象，随访3个月后使用改良Rankin量表评估预后（0~2分定义为预后良好，3~6分定义为预后不良）。回顾性收集患者的临床资料，并采用多因素Logistic回归分析筛选出患者预后的独立影响因素。以3∶2比例将患者随机分为训练集（ n=178）和测试集（ n=118），以预后独立影响因素为特征变量训练10种机器学习模型（逻辑回归、随机森林、支持向量机、朴素贝叶斯、线性判别分析、混合判别分析、灵活判别分析、梯度增强机、极端梯度提升和分类梯度提升），分别使用校准曲线、精确-召回曲线、精确-召回增益曲线及受试者工作特征曲线评估这10种机器学习模型的预测性能，使用Shapley加法解释（SHAP）对机器学习模型附加解释和可视化（包含全局解释和局部解释）。 结果:296例患者中预后不良72例。年龄（ OR=1.039，95% CI：1.008~1.072， P=0.015）、美国国立卫生研究院卒中量表评分（ OR=1.213，95% CI：1.000~1.337， P<0.001）、格拉斯哥昏迷量表评分（ OR=0.470，95% CI：0.289~0.765， P=0.002，）、卒中预测工具-Ⅱ评分（ OR=1.257，95% CI：1.043~1.516， P=0.016）、C反应蛋白水平（ OR=1.709，95% CI：1.398~2.087， P<0.001）和血小板计数（ OR=0.988，95% CI：0.978~0.998， P=0.016）是患者预后的独立影响因素。在10种机器学习模型中，极端梯度提升模型预测患者预后的性能最高（校准曲线评估示一致性指数为0.896，精确-召回曲线评估示曲线下面积为0.791，精确-召回增益曲线示曲线下面积为0.363，受试者工作特征曲线示曲线下面积为0.856）。全局解释中SHAP直观图显示特征变量的重要性排序依次为C反应蛋白、美国国立卫生研究院卒中量表评分、血小板计数、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分和年龄；SHAP散点图可视化了6个特征变量的贡献方向，呈"两端分布"现象；SHAP依赖图显示了6个特征变量的观测值与SHAP值间的依赖关系，其中C反应蛋白趋势最为显著。SHAP力图为单个样本提供了局部解释，使得极端梯度提升模型更加透明和可解释性。 结论:基于年龄、美国国立卫生研究院卒中量表评分、格拉斯哥昏迷量表评分、卒中预测工具-Ⅱ评分、C反应蛋白水平和血小板计数为特征变量的极端梯度提升模型预测急性缺血性脑卒中患者预后的性能最优，在此基础上结合SHAP进行模型解释和可视化，有助于理解各特征变量对预测结果的贡献大小及方向。

目的:利用机器学习方法建立老年心房颤动(房颤)合并冠心病患者的远期死亡预测模型，并确定相应的危险因素。方法:回顾性队列研究，连续入组2013年1月至2015年3月北京医院收治的60岁及以上房颤合并冠心病患者329例，男性183例(55.6%)例，女性146例(44.4%)，年龄(77.8±7.3)岁，80岁及以上142例(43.2%)。失访11例(3.3%)，死亡151例(45.9%)，最后纳入分析的患者共318例。根据患者生存结局，将318例患者分为死亡组(151例)和存活组(167例)。此外，另选取2015年4—7月入院的60岁及以上房颤合并冠心病患者60例为外部数据验证集。采集人口统计学参数、合并疾病、辅助检查和临床治疗情况。随访至少6年，记录包括死亡在内的主要不良心脑血管事件(MACCE)。最后将入组患者按9∶1的比例随机分为训练集和测试集，通过机器学习算法建立不同模型预测房颤合并冠心病患者远期死亡率，并通过外部数据(60例)验证比较确立最优模型，利用Shapley加法解释算法对变量的重要性进行排序，得出排名前20位的特征变量，以确定危险因素。结果:329例患者中，总体中位随访时间77.0月(95% CI：54.0~84.0)，失访11例(3.3%)，死亡151例(45.9%)。通过分析得出支持向量机模型、k-近邻算法(KNN)模型、决策树模型、随机森林模型、ADABoost模型、XGBoost模型、Logistic回归模型预测远期死亡率的受试者工作特征曲线(ROC)下面积(AUC)分别为0.76、0.75、0.75、0.91、0.86、0.85和0.81。其中随机森林模型预测效能最高，其准确率达0.789，F1值高达0.806，且优于传统的Logistic回归模型(AUC：0.91比0.81， P<0.05)。D-二聚体、年龄、MACCE次数、左心室射血分数、人血白蛋白水平、贫血、纽约心脏病协会心功能分级、陈旧性心肌梗死病史、估测肾小球滤过率(eGFR)及静息心率是预测远期死亡率的重要危险因素。 结论:基于机器学习方法建立的随机森林模型可预测老年房颤合并冠心病患者的远期死亡率，具有较好的识别能力，其准确性高于传统的Logistic回归模型。可通过干预患者的D-二聚体水平、纠正低蛋白血症和贫血、改善心功能和控制静息心室率降低远期死亡率，改善患者远期预后。

目的:基于人工智能技术建立肿瘤患者接受高致吐风险铂类药物化疗诱发恶心呕吐（CINV）的风险预测模型，为止吐方案的选择提供依据。方法:收集2018年1月至2022年12月在天津医科大学总医院肿瘤科登记的接受顺铂或卡铂[卡铂血药浓度-时间曲线下面积（AUC）≥4]肿瘤患者的临床信息，包括性别、年龄、饮酒史、孕吐史、化疗周期、患者对发生恶心呕吐的预期、化疗药物、止吐方案、院外止吐治疗、化疗前夜睡眠小于7 h、上周期发生CINV情况、肌酐清除率（Ccr）等。对数据进行预处理后随机分为训练集和测试集，训练集用于构建预测模型，测试集用于评价模型预测效能。分别采用梯度提升树（GBDT）、随机森林（RF）和逻辑回归（LR）3种算法建立预测模型，并对模型性能进行评价。评价指标包括准确度、灵敏度、召回率、F1值（灵敏度和召回率的调和平均数）和受试者工作特征曲线下面积（AUROC）。最后应用Shapley加法解释（SHAP）方法对有预测意义的临床特征进行可解释性分析。结果:本研究共纳入患者698例，男性439例（62.9%）；中位年龄64（21,84）岁；共接受1 654个周期化疗。化疗方案含顺铂者364例，化疗864个周期；含卡铂且AUC≥4者361例，化疗790个周期。止吐方案选择神经激肽-1受体拮抗剂（NK-1 RA）、5-羟色胺3受体拮抗剂（5-HT3 RA）和地塞米松者的治疗周期数为1 347个，选择5-HT3 RA和地塞米松者的周期数为307个。Spearman相关性分析结果显示肿瘤患者特征变量之间相关性不强，均可用于模型建立。GBDT最优超参数n_estimators=500，max_depth=9；RF最优超参数max_depth=5；LR最优超参数penalty=L2。根据最优超参数训练数据分别建立GBDT、RF和LR 3种预测模型。GBDT模型准确度为0.903，灵敏度为0.882，召回率为0.903，F1值为0.883，AUROC为0.778±0.036（95% CI：0.739~0.814）；RF模型的准确度为0.885，灵敏度为0.861，召回率为0.885，F1值为0.870，AUROC为0.679±0.041（95% CI：0.636~0.720）；LR模型的准确度为0.817，灵敏度为0.851，召回率为0.817，F1值为0.832，AUROC为0.682±0.042（95% CI：0.639~0.723）。Ccr、年龄、化疗周期、饮酒史以及化疗前患者预期会发生恶心呕吐是具有预测意义的主要临床特征；Ccr、年龄、化疗周期与CINV的发生呈负相关，无饮酒史和患者预期会发生恶心呕吐会增加CINV的发生风险。 结论:GBDT、RF和LR 3种模型均可对接受高致吐铂类药物患者CINV的发生风险进行预测，其中GBDT模型的预测效能最佳。

目的:使用机器学习中极限梯度提升（XGBoost）算法构建心脏外科术后患者发生急性肾损伤（AKI）的风险预测模型，探讨心脏外科术后患者发生AKI的危险因素和保护因素。方法:纳入美国重症监护医学信息数据库Ⅲ（MIMIC-Ⅲ）中全部接受心脏外科手术患者的临床资料，按术后14 d内是否发生AKI分为AKI组和非AKI组，并比较两组患者的临床特征。在五折交叉验证的基础上，分别采用XGBoost和Logistic回归法建立心脏外科术后AKI预测模型，并比较两种模型的受试者工作特征曲线下面积（AUC）。采用沙普利加和解释法（SHAP）解释XGBoost的输出模型。结果:共纳入6 912例心脏外科术后患者，其中5 681例（82.2%）在术后14 d内发生AKI，1 231例（17.8%）未发生AKI。与非AKI组相比，AKI组患者年龄更大〔岁：68.0（59.0，76.0）比62.0（52.0，71.0）〕，急诊入院及合并肥胖、糖尿病比例更高（52.4%比47.8%，9.0%比4.0%，32.0%比22.2%），生命体征指标中呼吸频率（RR）更低〔次/min：17.0（14.0，20.0）比19.0（15.0，22.0）〕，心率（HR）更慢〔次/min：80.0（67.0，89.0）比82.0（71.5，93.0）〕，血压更高〔mmHg（1 mmHg≈0.133 kPa）：80.0（70.7，90.0）比78.0（70.0，88.0）〕，实验室指标中血红蛋白（Hb）、血糖、血K +、血肌酐（SCr）更高〔Hb（g/L）：122.0（109.0，136.0）比120.0（106.0，135.0），血糖（mmol/L）：7.3（6.1，8.9）比6.8（5.7，8.5），血K +（mmol/L）：4.2（3.9，4.7）比4.2（3.8，4.6），SCr（μmol/L）：88.4（70.7，106.1）比79.6（70.7，97.2）〕，白蛋白（ALB）和三酰甘油（TG）更低〔ALB（g/L）：38.0（35.0，41.0）比39.0（37.0，42.0），TG（mmol/L）：1.4（1.0，2.0）比1.5（1.0，2.2）〕，且多器官功能障碍综合征（MODS）和脓毒症比例更高（30.6%比16.2%，3.3%比1.9%），差异均有统计学意义（均 P<0.05）。Logistic回归预测模型中的主要影响因素包括血乳酸〔Lac；优势比（ OR）＝1.062，95%可信区间（95% CI）为1.030~1.100， P＝0.050〕、肥胖（ OR＝2.234，95% CI为1.900~2.640， P<0.001）、男性（ OR＝0.858，95% CI为0.794~0.928， P＝0.049）、伴有糖尿病（ OR＝1.820，95% CI为1.680~1.980， P<0.001）和急诊入院（ OR＝1.278，95% CI为1.190~1.380， P<0.001）。受试者工作特征曲线（ROC曲线）分析显示，Logistic回归模型预测心脏外科术后发生AKI的AUC为0.62（95% CI为0.61~0.67）。经过网格搜索与五折交叉验证结合优化XGBoost模型参数，模型训练效果良好，没有出现过拟合或欠拟合。ROC曲线分析结果显示，XGBoost模型预测心脏外科术后发生AKI的AUC为0.77（95% CI为0.75~0.80），明显高于Logistic回归预测模型的AUC（ P<0.01）。经SHAP方法处理后，XGBoost输出模型中对最终结果最重要的预测因素是年龄和ALB，其中年龄是危险因素（平均| SHAP值|为0.434），ALB是保护因素（平均| SHAP值|为0.221）。 结论:年龄是心脏外科术后患者发生AKI的重要危险因素，而ALB则是保护因素。机器学习预测心脏外科术后AKI的效能比传统Logistic回归更加优秀，能分析变量与结局间更复杂的关系，更精准地个体化预测术后AKI的发生风险。

目的:通过机器学习筛选肝细胞癌患者术前微血管侵犯(MVI)相关指标，构建预测MVI的logistic回归模型并评估。方法:回顾分析2018年1月至2023年3月宁夏医科大学总医院行根治性切除术的肝细胞癌患者临床资料。共入组437例患者，其中男性325例，女性112例，年龄(56.3±13.6)岁。437例患者通过计算机产生随机数按7∶3分为训练集( n＝305)和测试集( n＝132)，训练集用于构建logistic回归模型并通过五折交叉验证法内部验证(验证集)，测试集用于外部验证。通过Boruta算法和LASSO回归两种机器学习算法筛选MVI特征变量，并构建logistic回归模型。受试者工作特征(ROC)曲线、校准曲线、决策曲线评估模型，Shapley加法解释(SHAP)分析关键变量的重要性。 结果:取Boruta算法筛选的8个特征变量和LASSO回归筛选的8个变量的交集(5个变量)：天冬氨酸氨基转移酶/淋巴细胞比值(ALR)、肿瘤边缘、瘤内坏死、肿瘤数目、肿瘤最大径，构建logistic回归模型。该模型预测MVI的ROC曲线下面积为0.77(95% CI：0.70~0.82)(训练集)、0.76(95% CI：0.63~0.87)(验证集)、0.84(95% CI：0.78~0.91)(测试集)。校准曲线logistic回归模型的预测结果与实际结果接近，决策曲线分析提示模型具有较好的临床应用价值。按平均绝对SHAP值进行重要性递减排序依次为肿瘤边缘、肿瘤最大径、肿瘤数目、ALR、瘤内坏死。 结论:肿瘤边缘、肿瘤最大径、肿瘤数目、ALR、瘤内坏死是肝细胞癌伴有MVI的独立影响因素，基于上述因素构建的预测MVI的logistic回归模型预测效能良好。

目的:构建并验证预测胰十二指肠切除术后患者发生临床相关术后胰瘘（CR-POPF）的集成机器学习模型。方法:本研究为预测模型研究。回顾性收集2020年6月至2023年5月在华中科技大学同济医学院附属协和医院胰腺外科接受胰十二指肠切除术的421例患者的临床资料。其中男性241例（57.2%），女性180例（42.8%），年龄（59.7±11.0）岁（范围：12~85岁）。通过分层随机抽样法将研究对象按照3∶1的比例分为训练集（315例）和测试集（106例）。使用递归特征消除算法对特征进行筛选，运用9种机器学习算法分别建模，挑选拟合能力较优的三组模型，通过Stacking算法进行模型融合构建集成模型。通过多种指标评估模型性能，并使用Shapley Additive Explanations（SHAP）方法对最优模型进行可解释性分析。根据替代胰瘘风险评分系统（a-FRS）的预测概率（P）将测试集患者分为不同风险组，对a-FRS评分进行验证并比较其与所建模型的预测效能。结果:421例患者中，发生CR-POPF 84例（20.0%）。在测试集中，Stacking集成模型表现最佳，其受试者工作特征曲线的曲线下面积（AUC）为 0.823，准确率为0.83，F1分数为0.63，Brier 得分为0.097。SHAP总结图显示，影响胰十二指肠切除术后发生CR-POPF的前9位因素依次为胰管直径、CT值比值、术后血清淀粉酶、IL-6水平、体重指数、手术时间、术前术后白蛋白差值、降钙素原及IL-10。各个因素对胰十二指肠切除术后CR-POPF 发生的影响均呈现出复杂的非线性关系。当胰管直径<3.5 mm、CT 值比值<0.95、术后血清淀粉酶浓度>150 U/L、IL-6 水平>280 ng/L、手术时间>350 min、白蛋白降低超过10 g/L时，发生CR-POPF的风险增加。a-FRS在测试集中的AUC为0.668，预测效能低于Stacking集成机器学习模型。结论:本研究构建的Stacking集成机器学习模型能够预测胰十二指肠切除术后CR-POPF的发生，有潜力成为胰十二指肠切除术后个性化诊疗的有效工具。

目的:基于极端梯度提升（XGBoost）算法建立重症急性胰腺炎（SAP）早期预测机器学习模型，并探讨其预测效能。方法:采用回顾性队列研究方法，选择2020年1月1日至2021年12月31日苏州大学附属第一医院、苏州大学附属第二医院及苏州大学附属常熟医院收治的急性胰腺炎（AP）患者，根据病历系统与影像系统收集患者的人口学信息、病因、既往史及入院48 h内临床指标和影像学资料，并计算改良CT严重指数评分（MCTSI）、Ranson评分、急性胰腺炎严重程度床旁指数（BISAP）及急性胰腺炎风险评分（SABP）。将苏州大学附属第一医院及苏州大学附属常熟医院的数据集按照8 : 2随机分为训练集和验证集，基于XGBoost算法，在采用五折交叉验证、损失函数进行超参数调整的基础上构建SAP预测模型。将苏州大学附属第二医院的数据集作为独立的测试集，通过受试者工作特征曲线（ROC曲线）评价XGBoost模型的预测效能，并与传统AP相关病情严重程度评分进行比较；同时对特征变量进行重要性排序，采用沙普利加和解释法（SHAP）对模型进行可视化解释。结果:最终共纳入1?183例AP患者，其中129例（10.9%）发生SAP。苏州大学附属第一医院和苏州大学附属常熟医院患者中，训练集786例，验证集197例；苏州大学附属第二医院的200例患者作为测试集。3组数据集分析均显示，进展为SAP的患者存在呼吸功能异常、凝血功能异常、肝肾功能异常、血脂代谢异常等病理表现。基于XGBoost算法构建SAP预测模型；ROC曲线分析显示，该模型预测SAP的准确度达到0.830，ROC曲线下面积（AUC）为0.927，较MCTSI、Ranson、BISAP、SABP等传统评分系统明显提高（准确度分别为0.610、0.690、0.763、0.625，AUC分别为0.689、0.631、0.875、0.770）。基于XGBoost模型的特征变量重要性分析显示，模型中权重排名前10位的指标依次为胸腔积液（0.119）、白蛋白（Alb，0.049）、三酰甘油（TG，0.036）、Ca 2+（0.034）、凝血酶原时间（PT，0.031）、全身炎症反应综合征（SIRS，0.031）、C-反应蛋白（CRP，0.031）、血小板计数（PLT，0.030）、乳酸脱氢酶（LDH，0.029）和碱性磷酸酶（ALP，0.028），说明上述指标对于XGBoost模型预测SAP具有重要意义。基于XGBoost模型的SHAP贡献度分析显示，当患者出现胸腔积液及Alb降低时，SAP发生风险明显增加。 结论:基于机器学习XGBoost算法建立了SAP预测模型，该模型可在入院48 h内对AP患者进展为重症的风险进行预测，且具有良好的准确性。

目的:基于机器学习构建甘肃省平原风沙与黄土丘陵地区糖尿病性视网膜病变（DR）的临床预测模型并分析其影响因素。方法:为横断面研究。基于中国糖尿病并发症（CNDCS）研究的甘肃省流行病学数据进行模型的建立与验证。采用多阶段分层随机抽样的方法纳入2型糖尿病（T2DM）患者并按照7∶3的比例生成训练集和测试集。收集平原风沙与黄土丘陵地区T2DM患者并发DR的情况。采用递归特征消除（RFE）的方法筛选出两地区的最优变量，选用逻辑回归（LR）、决策树（DT）、支持向量机（SVM）、随机森林（RF）和极端梯度提升树（XGBoost）5种机器算法进行模型的训练，采用曲线下面积（AUC）对5种机器算法进行比较，并筛选出最优模型，进一步采用沙普利可加性特征解释（SHAP）分析法直观地解释最优机器学习模型的结果。结果:共纳入1 739例T2DM患者。其中有23.63%（411/1 739）的患者并发DR。RFE法结果显示，平原风沙与黄土丘陵地区最终分别筛选出8和14个最优变量。通过综合评价，平原风沙与黄土丘陵地区的最佳临床预测模型分别为RF（训练集AUC=0.874，测试集AUC=0.737）和XGBoost（训练集AUC=0.899，测试集AUC=0.783）。进一步进行的SHAP分析法结果显示，RF模型中排在前5位的重要区分特征为糖化血红蛋白（HbA 1c）、糖尿病病程、心率、尿微量白蛋白、收缩压，XGBoost模型中排在前5位的重要区分特征为糖尿病病程、尿微量白蛋白、血清白蛋白、尿素氮、HbA 1c。 结论:RF与XGBoost模型对DR风险指标的评估具有较高的可靠性。糖尿病病程、HbA 1c、尿微量白蛋白是DR的影响因素。

目的:探索基于不平衡数据构建预测非肾病水平蛋白尿的膜性肾病预后的机器学习模型。方法:回顾性分析山西省人民医院2018年1月至2021年12月肾活检诊断为非肾病水平蛋白尿的膜性肾病患者的临床和病理资料。基于logistic回归、支持向量机（SVM）和轻量梯度提升（lightGBM）3种机器学习算法构建预测模型。采用混合采样技术处理不平衡数据，使用受试者工作特征曲线下面积（AUC）评估模型预测性能，运用Shapley加法解释（SHAP）对最佳性能模型的结果进行解释。结果:共纳入148例患者，男84例，女64例，年龄（47.2±12.5）岁，随访时间［ M（ Q1， Q3）］14（7，20）个月。23例（15.5%）患者发生肾脏终点事件。SVM模型的AUC值最高（0.868，95% CI：0.813~0.925），其次为logistic回归（AUC：0.865，95% CI：0.755~0.899）和lightGBM（AUC：0.791，95% CI：0.690~0.882）。基于随机森林的特征递归消除交叉验证（RFECV）方法和SVM模型的SHAP图显示，免疫组化IgG、血清总蛋白（TP）、血清抗磷脂酶A2受体抗体（anti-PLA2R）、血氯、D-二聚体是影响非肾病水平蛋白尿的膜性肾病预后的危险因素，其中免疫组化IgG、anti-PLA2R、D-二聚体水平越高，患者达到肾脏终点事件的风险越高。 结论:本研究建立的SVM模型可有效预测非肾病水平蛋白尿的膜性肾病的预后，为早期识别高危患者及精准治疗提供了新方法。