基于可解释的机器学习模型预测髋部骨折患者术中输血风险

摘要

目的 探讨髋部骨折患者术中输血的影响因素，并基于机器学习(ML)模型构建髋部骨折患者术中输血风险预测模型。方法 选取本院2022年11月—2025年3月行手术治疗的髋部骨折患者424例。使用Boruta算法筛选术中输血风险的重要特征变量。使用支持向量机(SVM)、线性判别分析(LDA)、混合判别分析(MDA)和极端梯度提升(XGBoost) 4种不同ML算法构建术中输血风险预测模型。使用准确度、精确度、接收者操作特征曲线(ROC)、精确率-召回率曲线(PRC)、精确率-召回率增益曲线(PRGC)和F1 score评估4种ML模型预测性能。采用Shapley加法解释(SHAP )对最终模型进行解释。结果 424例髋部骨折患者77例(18.2%)术中接受输血。Boruta算法筛选出ALB、APTT、麻醉方式、骨折类型、Hb是术中输血风险的重要特征变量。在模型评估中，SVM的受试者工作特征曲线下面积(AUC)、召回率、召回增益、准确率、精确率、F1得分和精确率-召回率曲线下面积(PRC-AUC)指标均优于其他3种模型。基于SHAP值解释和可视化的SVM模型能有效预测髋部骨折患者术中输血风险。并基于SVM模型开发了可视化线上应用程序(https://pbo-nomogram. shinyapps. io/blood/)。结论 术前低ALB和Hb水平、APTT延长、全身麻醉和股骨粗隆间骨折是髋部骨折患者术中输血的危险因素。基于SVM算法构建的术中输血风险预测模型性能最优，为临床早期识别高输血风险髋部骨折患者并实施针对性干预措施提供新思路和方法。

关键词

髋部骨折 / 输血 / 机器学习 / Boruta算法 / SVM模型 / SHAP