基于机器学习模型的开发与验证，以预测住院慢性阻塞性肺疾病（AECOPD）患者住院死亡风险

急性加重的慢性阻塞性肺疾病（AECOPD）是COPD患者住院和死亡的主要原因。机器学习（ML）方法功能强大，但存在“黑箱”问题，无法直接解释该ML技术。因此，我们在中国两家三级医院进行了多中心的回顾性队列研究，主要利用超声心动图变量构建并验证了一种基于ML方法的可解释预测模型，以预测AECOPD的住院死亡风险。为了提高模型的可解释性，我们利用模型无关的SHapley加法解释方法对最终模型的输出进行了解释。我们的结果表明，轻梯度提升机（LightGBM）模型在11个ML模型中表现最佳。在根据特征重要性排名减少特征后，建立了一个包含9个特征的可解释最终LightGBM模型（AUC = 0.956，准确率 = 92.1%，灵敏度 = 0.891，特异性 = 0.933，阳性预测值 = 0.852，阴性预测值 = 0.952，F1得分 = 0.871）。为了方便临床医生的使用，该最终可解释模型已被转化为一个便捷的应用程序。此外，LightGBM模型通过SHAP方法的全局和局部解释，缓解了“黑箱”的担忧。为该模型生成了一个公开可访问的网络工具。这些发现进一步为指导临床管理和改善患者结局提供了希望。