可解释机器学习模型预测儿童肺动脉高压30天再入院：一项多中心

这是一篇关于可解释机器学习模型预测儿童肺动脉高压30天再入院：一项多中心的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

可解释机器学习模型预测儿童肺动脉高压30天再入院：一项多中心、回顾性研究

• 题目
  • Explainable machine learning models for predicting 30-day readmission in pediatric pulmonary hypertension: A multicenter, retrospective study
• 摘要
  • 背景/目的
    • 儿童肺动脉高压( pulmonary hypertension，PH )
    • PH 短期再入院与巨大的社会和个人负担有关
    • 缺乏预测个体化再入院风险的工具
    • 开发预测PH患儿30天非计划再入院的机器学习模型
  • 方法
    • 本研究收集了重庆医科大学医疗数据平台2012年1月至2019年1月期间儿科PH住院患者的数据
    • 共收集了32个与再入院相关的变量
    • 通过分层随机抽样将数据集随机分为训练集( 70 %)和验证集(30 %)
    • 通过最小绝对收缩和选择算子选择关键临床变量
    • 本研究比较了未经超参数优化的15种ML算法的性能，以筛选30天再入院预测模型的候选算法
    • 从15种性能优异的机器学习算法中筛选出预测模型，采用AUC进行评价
    • 选择表现优异的(准确率> 0.9 , AUC > 0.7)排名前四的算法开发再入院预测模型
      • 极端梯度提升( XGBoost )
      • 随机森林( Random Forest )
      • 分类提升( CatBoost )
      • 轻量级梯度提升机( LightGBM )
    • 本研究基于训练集构建了5个预测模型，并利用贝叶斯优化算法对模型进行调优，以选择最优的超参数配置
      • 选择传统的统计模型Logistic Regression ( LR )作为对比
    • 预测模型的结果采用 SHAP 进行解释
  • 结果
    • 最终共纳入5，913例PH患儿
    • 选择CatBoost模型作为预测模型，其AUC最大为0.81
    • SHAP结果显示，年龄、住院时间( LOS )、先天性心脏病手术和非医嘱出院对PH患儿30天再入院的影响最大
  • 结论
    • 本研究开发了CatBoost模型来预测PH患儿的非计划30天再入院风险，与传统的逻辑回归相比表现出更显著的性能
    • 研究发现，年龄、住院天数、先天性心脏病手术、非医嘱出院是儿童PH患儿30 d再入院的重要影响因素
• 字不如表
  • Table 1
    • 肺动脉高压患儿的基线特征
      • 阳性事件基线
  • Table 2
    • 不同模型的性能
  • Table 3
    • 5个预测模型的性能评价
  • Table 4
    • 利用验证子集对CatBoost模型进行性能评估
• 表不如图
  • Figure 1
    • 患者选择的流程图
  • Figure 2
    • 12个具有非零回归系数的特征
    • LASSO特征选择分析
  • Figure 3
    • 五种基于机器学习的预测模型的ROC曲线
  • Figure 4
    • 4种再入院预测算法中特征的重要性评分排序
      • (A) CatBoost
      • (B) Light Gradient Boosting Machine
      • (C) eXtreme gradient boosting
      • (D) Random forest
  • Figure 5
    • Catboost模型的SHAP解释
      • (A) 变量重要性排序
      • (B) 蜂群图
      • (C) 阳性样本力图
      • (D) 阴性样本力图
• 补充材料
  • Table S1
    • 训练集阳性事件基线特征
  • Table S2
    • 验证集阳性事件基线特征
  • Table S3
    • 训练集验证集基线特征
  • Table S4
    • CatBoost模型的超参数搜索域和最终设置