可解释机器学习模型预测精神分裂症病人攻击行为风险

摘要

目的：基于shapley加法解释(SHAP)开发预测精神分裂症病人攻击行为的网络计算器。方法：选取238例精神分裂症病人为研究对象。通过Boruta算法筛选攻击行为重要特征变量。以3∶2比例将238例病人随机分为训练集(n=145)和测试集(n=93)来训练9种机器学习(ML)模型，并进行十倍交叉验证。采用接收者操作特征曲线(ROC)评估ML模型筛选最佳预测性能模型，进一步采用决策曲线分析评估ML模型临床收益。使用SHAP附加解释和可视化ML模型并通过R包构建预测精神分裂症病人攻击行为的网络计算器。结果：238例精神分裂症病人中，76例发生攻击行为(31.9%)。Boruta算法筛选出病程、社会支持率量表(SSRS)、简明精神病评定量表(BPRS)、高密度脂蛋白(HDL)、中性粒细胞/淋巴细胞比值(NLR)和暴力史是攻击行为重要特征变量。9种ML算法中，训练集和测试集的ROC证实极端梯度提升(XGBoost)模型预测攻击行为风险性能最高。决策曲线分析结果表明该模型预测准确性及临床应用价值较高。SHAP直观图显示贡献攻击行为风险的6个重要特征变量排序依次为病程、SSRS、BPRS、HDL、NLR、暴力史，摘要图显示上述6个变量SHAP值呈“两端分离”,表明能有效预测精神分裂症病人攻击行为风险。基于XGBoost模型的网络计算器能有效预测精神分裂症病人攻击行为风险。结论：基于病程、SSRS、BPRS、HDL、NLR和暴力史构建SHAP附加解释的XGBoost模型网络计算器能精准预测病人攻击行为风险，完善攻击行为风险早期预防和干预。

关键词

精神分裂症 / 机器学习 / Boruta算法 / shapley加法解释 / 网络计算器