典型文献
可解释的机器学习模型对食管异物患者发生穿孔风险的预测价值
文献摘要：
目的 利用可解释的人工智能方法研制一种算法,用于预测食管异物患者发生穿孔的风险.方法 收集浙江大学医学院附属第一医院2013年1月至2018年6月期间食管异物患者的临床数据.将427例食管异物患者分为训练组(298例)和验证组(129例),使用随机森林(RF)进行特征降维.使用7种机器学习方法来建立模型,包括极端梯度提升法(XGBoost)、RF、Logistic回归(LR)、支持向量机(SVM)、K近邻(KNN)、决策树(DT)和贝叶斯优化后的极端梯度提升法(BSXGBoost).根据曲线下面积(AUC)选择最佳模型.使用决策曲线评估临床收益.采用沙普利加和解释(SHAP)方法来解释最佳模型.结果 BSXGBoost模型取得了最佳性能(AUC=0.837).决策曲线显示,BSXGBoost模型的阈值概率在0.040至0.649(或0.69至0.85)时,其净收益优于其他模型.SHAP分析显示,主轴长度、嵌顿持续时间、年龄和主轴长度与小轴长度之比是对BSXGBoost模型贡献最大的4个变量.此外,SHAP力图展示构建的模型是如何将穿孔结局的个体化预测可视化的.结论 BSXGBoost模型对预测食管异物患者发生穿孔的风险有较高价值,SHAP方法可以提高机器学习模型的可解释性,帮助临床医生更好地理解结果背后的原因.
文献关键词：
食管异物;机器学习;穿孔;沙普利加和解释
中图分类号：
作者姓名：
黄卫;张琴;宋聪颖;王萍;陆远强
作者机构：
310003杭州,浙江大学医学院附属第一医院急诊科
文献出处：
引用格式：
[1]黄卫;张琴;宋聪颖;王萍;陆远强-.可解释的机器学习模型对食管异物患者发生穿孔风险的预测价值)[J].中华危重症医学杂志（电子版）,2022(06):466-470
A类：
BSXGBoost,沙普利加和解释
B类：
机器学习模型,食管异物,穿孔,预测价值,可解释的人工智能,人工智能方法,浙江大学,学医,临床数据,训练组,RF,特征降维,机器学习方法,建立模型,极端梯度提升,提升法,LR,近邻,KNN,决策树,DT,贝叶斯优化,决策曲线,临床收益,SHAP,净收益,主轴,轴长,嵌顿,之比,个体化预测,高价值,可解释性,临床医生,解结
AB值：
0.270092
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
