基于机器学习和SHAP可解释性分析的心力衰竭患者预后不良结局预测模型构建

摘要

目的 基于电子病历数据构建心力衰竭患者预后不良结局的机器学习预测模型，并用SHAP解释模型预测机制。方法 回顾性收集1 240例心力衰竭患者电子病历数据，按7∶3的比例随机分为训练集和验证集。采用LASSO回归筛选19个预测因子，构建17种机器学习模型。以AUC、灵敏度、阴性预测值等指标评价性能，采用SHAP分析对最优模型进行可解释性分析。结果 XGBoost表现最优，AUC为0.737，灵敏度0.871，阴性预测值0.98。SHAP显示前15位重要特征中交互项占40%，活动能力×入院血红蛋白贡献最大，出院指标预测价值优于入院指标预测。结论 XGBoost对心衰预后预测性能良好。SHAP分析揭示了多指标协同效应的重要性，为心力衰竭患者的精准风险分层和个体化管理提供了有效工具。

关键词

心力衰竭 / 机器学习 / 不良结局 / 可解释性 / 电子病历