冠心病合并慢性心力衰竭患者5年全因死亡生存分析与可解释性研究

目的 通过机器学习算法和SHAP(shapley additive explanations)方法分析冠心病(coronary heart disease,CHD)合并慢性心力衰竭(chronic heart failure,CHF)患者全因死亡的风险因素.方法 选择山西省两所三级甲等医院诊断为CHD合并CHF患者2 648例.利用XGBoost方法筛选出的变量,分别构建Cox、随机生存森林(random survival forests,RSF)、XGBoost模型;应用SHAP进行模型可解释性分析.结果 利用XGBoost方法构建的预测模型具有最高预测性能,其一致性指数(concordance index,C-index)为 0.902(0.900～0.915).模型显示,年龄、N 端前脑钠肽、SBP、肌酐越高,患者死亡风险越高;糖尿病(diabetes mellitus,DM)、中枢神经系统性疾病、他汀类药物也是影响患者预后的重要影响因素.结论 XGBoost方法所构建的生存分析预测模型能够更准确地评估患者不良预后,结合SHAP可以对患者的个体化风险预测提供明确解释,有助于辅助医生对患者进行个性化临床治疗.