可解释的机器学习，用于预测急性心力衰竭患者 30 天的再入院

这是一篇关于可解释的机器学习，用于预测急性心力衰竭患者 30 天的再入院的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

可解释的机器学习，用于预测急性心力衰竭患者 30 天的再入院时间

• 题目
  • Explainable machine learning for predicting 30-day readmission in acute heart failure patients
• 摘要
  • 背景/目的
    • 开发一种基于机器学习的预测模型，以识别急性心力衰竭 （AHF） 患者的 30 天再入院风险
  • 方法
    • 在这项研究中，纳入了 2232 名因 AHF 住院的患者
    • 采用方差膨胀因子值和 5 倍交叉验证来选择重要的临床变量
    • 基于方差膨胀因子和基于CatBoost的递归特征消除5倍交叉验证进行特征筛选
      • 其中有7个特征具有VIF>5
    • 然后对剩余特征进行递归特征消除，筛选出的最佳特征子集包含43个特征
    • 通过基于CatBoost的递归特征消除方法对剩余特征进行进一步的特征筛选，以减少数据维数并找到最优的特征组合
    • 应用5种性能较好的机器学习算法开发模型，通过灵敏度、特异性和AUC对判别能力进行综合评估
    • 开发了5种机器学习模型来预测特征筛选后AHF的30 d特定再入院率
      • 极限梯度提升（XGBoost）
      • 随机森林
      • 分类提升（CatBoost）
      • 光梯度提升机（LightGBM）
      • 逻辑回归（LR）
    • 于缺失值填充的KNN（K-最近邻）最近邻算法
    • 基于网格搜索的超参数调优
    • 基于Yoden指数的风险分层
    • 采用随机抽样的方法，将所有纳入的患者按7:3的比例分为训练组和验证组
    • 在模型训练中，使用合成少数过采样技术（SMOTE）来减轻不平衡类别的影响
    • 使用网格搜索结合五重交叉验证来优化机器学习模型的超参数
  • 结果
    • 用SHAP值解释预测结果
    • XGBoost 模型表现最佳：最大 AUC 为 0.763，最高灵敏度为 0.660，高精度为 0.709
  • 结论
    • 本研究构建了最优的XGBoost模型来预测AHF患者30 d计划外再入院的风险
    • 与传统的logistic 回归（LR）模型相比，该模型表现出更显著的性能
• 字不如表
  • Table 1
    • 急性心力衰竭患者的基线临床特征
      • 阳性事件基线
  • Table 2
    • 不同模型的性能评价指标
• 表不如图
  • Figure 1
    • 患者纳入流程图
  • Figure 2
    • 5种基于机器学习的预测模型的ROC曲线
  • Figure 3
    • 基于XGBoost的风险分层
      • （A）XGBoost的ROC
      • （B）Kaplan-Meier曲线
  • Figure 4
    • （A） 对预测影响最大的特征（从最重要到最不重要排序）
    • （B） 每个特征对模型输出的影响分布
      • 在每行中，每个点代表一个病人。点的颜色表示特征值：红色表示较大的值，蓝色表示较小的值
    • （C 和 D） 显示了两名患者的个体化预测
      • 红色和蓝色的条形图分别代表危险因素和保护因素;条形越长表示特征重要性越大
• 补充材料
  • 关键资源表
  • Table S1
    • 所有特征的方差膨胀因子
  • Table S2
    • 机器学习的参数调优
    • 对参数进行5折交叉验证的网格搜索，找到最优模型，并选择产生最佳结果的参数
  • Table S3
    • 患者基本信息
      • 是否再入院
        • 性别
        • 种族
        • 年龄
        • 住院时长
  • Figure S1
    • 2013年至2021年抗心力衰竭药物使用比例见表1
  • Figure S2
    • 所选特征的数量
  • Figure S3
    • 基于性别的群体分析
      • (A)男性特征的重要性得分排名
      • (B)女性特征的重要性得分排名
      • (C)性别的KM曲线
        • 出院后30天再入院时，男性的风险高于女性
  • Figure S4
    • 基于 XGBoost 中的 SHAP 值与前三个特征之间的关联
      • (A) IVST 与 SHAP 的关联
        • IVST：室间隔厚度
      • (B) 年龄与 SHAP 的关联
      • (C) LOS 与 SHAP 的关联
        • LOS：首次住院时间
  • Figure S5
    • 基于住院时间（LOS）的分组分析
      • (A)长LOS患者特征的重要性评分排序
      • (B)短LOS患者特征重要性评分排序
      • (C)LOS的Kaplan-Meier曲线