可解释的机器学习模型预测rt-PA治疗的急性缺血性脑卒中患者预后不良风险

摘要

目的:基于机器学习(ML)和Shapley加法解释(SHAP)开发一种预测接受阿替普酶(rt-PA)溶栓治疗的急性缺血性脑卒中(AIS)患者预后不良风险模型。方法:选取池州市人民医院2021年1月～2023年12月接受rt-PA治疗的278例AIS患者。采用改良Rankin量表(mRS)评估患者预后,使用Boruta算法筛选影响AIS预后不良危险因素。将患者以3∶2的比例划分为训练集(n=166)和测试集(n=112)并构建9种ML模型。通过ROC曲线评估9种ML模型预测性能并选择最优ML模型。使用决策曲线分析最优ML模型的临床净收益情况,并通过SHAP可视化解释最优ML模型。结果:278例接受rt-PA治疗的AIS患者中,65例(23.4%)患者预后不良。Boruta算法发现同型半胱氨酸(Hcy)、血小板与淋巴细胞比率(PLR)、中性粒细胞与淋巴细胞比率(NLR)、D-二聚体(D-D)、出血转化(BC)、主动脉瓣狭窄(AS)、纤维蛋白原(FIB)、C-反应蛋白(CRP)、总胆固醇(CHOL)、美国国立卫生研究院卒中量表(NIHSS)和单核细胞与淋巴细胞比率(MLR)是预后不良风险变量,ROC曲线分析证实XGBoost模型预测rt-PA治疗的AIS患者预后不良风险准确性最佳,决策曲线分析证实XGBoost模型能为AIS预后不良风险筛查提供显著的临床净收益,基于SHAP附加解释和可视化XGBoost模型能准确预测rt-PA治疗的AIS患者预后不良风险。结论:Hcy、PLR、NLR、D-D、BC、AS、FIB、CRP、CHOL、NIHSS和MLR是rt-PA治疗的AIS患者预后不良风险变量。基于SHAP解释的XGBoost模型能精准预测患者预后不良风险,为患者采取更积极预防和治疗措施提供理论支持。

关键词

急性缺血性脑卒 / 预后 / 机器学习 / Boruta算法 / Shapley加法解释