基于WGBDT的心衰患者半年内再入院风险预测

为了解决现有心衰患者再入院风险预测评估模型缺乏可解释性、无法满足临床应用要求的问题,提出了一种基于自适应加权的梯度提升决策树(Weighted Gradient Boosting Decision Trees,WGBDT)的心衰患者半年内再入院风险预测模型.这一模型由基于WGBDT算法的风险预测和基于可解释机器学习(SHapley Additive exPlanation,SHAP)模型的解释性框架构成.其一,WGBDT风险模型通过样本权重更新来完成基分类器的训练.对通过基分类器分类误差率更新的残差样本进行迭代训练的基分类器加权累加,可以获得泛化性和准确率更好的模型;其二,SHAP可解释性框架采用Kernel SHAP和临床医学先验知识相结合的方式,对WGBDT黑箱模型进行解释,完成该模型的可解释性.使用四川省某医院的2008例心衰患者临床数据集对模型进行训练与测试,结果显示:利用该模型获得的结论优于梯度提升决策树(GBDT)、XGBoost、支持向量机、决策树、Adaboost等主流的机器学习算法获得的结论;同时,利用SHAP框架提高了该模型的可解释性,并根据特征的重要性,识别出了影响心衰因素的重要性排序,这为医生制定更加合理的决策提供了科学的参考.