使用可解释的机器学习模型预测老年髋骨骨折患者术前深静脉血栓形成

目的：深静脉血栓形成（DVT）常见于老年髋骨骨折患者的下肢。 本研究旨在开发一个可解释的机器学习模型，以预测这些患者的术前DVT风险，并使用SHapley加性解释（SHAP）方法来解释模型并识别重要因素。 方法：共纳入976名患者（38个变量）。数据集随机分为训练集（N = 683）和验证集（N = 293）。使用合成少数类过采样技术（SMOTE）平衡训练集。应用逻辑回归（LR）、随机森林（RF）和自适应增强（AdaBoost）来选择影响因素，并使用文氏分析识别关键变量。使用包括极端梯度提升（XGBoost）在内的五种机器学习技术开发预测模型。评估不同模型的性能以找到最佳算法，并使用SHAP方法进行解释。 结果：共选择八个变量作为预测模型的输入。XGBoost模型在训练集数据上表现最佳，曲线下面积（AUC）、准确率、敏感性、特异性、阳性预测值、阴性预测值和F1分数分别为0.975、0.923、0.936、0.910、0.909、0.939和0.922。此外，校准曲线显示预测概率与观察到的风险之间高度一致，而决策曲线揭示XGBoost模型相比于其他机器学习模型具有更高的净收益。此外，使用SHAP工具促进了对特征和个体预测的解释。 结论：可解释的预测模型可以帮助实施及时干预，并协助医生准确预测老年髋骨骨折患者的术前DVT风险。