慢性心力衰竭合并肺部感染患者院内死亡风险预测：基于可解释性机器学习方法

摘要

目的 使用可解释性机器学习方法预测慢性心力衰竭（CHF）合并肺部感染患者的院内死亡风险。方法 回顾性分析MIMIC-IV数据库中诊断为CHF合并肺部感染的1415例患者病历信息。按病原体种类将患者划分为合并细菌性肺炎（841例）、合并非细菌性肺炎（574例）两个亚组，采用Kaplan-Meier生存曲线描述不同亚组的死亡风险差异。基于单因素分析和LASSO回归筛选特征。分别构建LR、AdaBoost、XGBoost、LightGBM模型，通过准确性、精确度、F1值、AUC等指标比较模型性能，使用eICU-CRD数据库进行外部验证。应用SHAP算法对XGBoost模型进行解释性分析。结果 内部测试集中XGBoost模型预测CHF合并肺部感染患者院内死亡风险的准确性高于其他模型。外部测试集显示，合并细菌性肺炎、合并非细菌性肺炎两亚组中XGBoost模型的AUC值分别为0.691(95%CI:0.654～0.720)、0.725(95%CI:0.577～0.782)。相较于其他模型，XGBoost模型表现出了更好的预测能力和稳定性。结论 在预测CHF合并肺部感染患者的院内死亡风险方面，XGBoost模型的综合表现优于其他3种模型。SHAP算法为模型提供了明确解释，有助于临床医生进行决策。

关键词

慢性心力衰竭 / 肺部感染 / 预测模型 / SHAP算法 / 机器学习