DOI：0.86/s---9
简介：
心脏外科手术相关的急性肾损伤（CSA-AKI）是导致术后发病率和死亡率增加的主要并发症。已有的预测模型多仅限于非线性关系分析，并且没有充分考虑代表对手术的急性反应的术中变量。本研究利用基于机器学习方法通过术间数据来预测CSA-AKI。
数据：
年8月至年8月的67例冠状动脉搭桥术（CABG），瓣膜置换手术以及两种疗法相结合的患者。分析的变量包括人口统计学特征，临床状况，术前生化数据，术前用药以及术中变量，例如时序血流动力学变化。名（37.3％）接受了CABG，名（5.7％）接受了瓣膜置换手术，而74名（％）接受了CABG和瓣膜联合手术。对于时间序列特征（SBP，DBP，MAP，HR），我们计算了时间序列特征的变异系数（ARV）。
模型方法：
逻辑回归，支持向量机（SVM），随机森林（RF），极端梯度增强（XGboost）和集成（RF+XGboost）。训练集和测试集7：3。将阳性案例复制了5次以防止过拟合。
评价方法：
AUCandROC,同时使用重要性变量图、决策树图以及SHAP解释变量。
结果：
RF表现出最大的AUC（0.，95％置信区间[CI]0.-0.）。集成模型的AUC（0.，95％CI0.-0.）大于单独的RF模型。简单决策树显示出最小的AUC（0.78，95％CI0.7-0.85）。（区间可通过0折交叉验证计算）
决策树模型，用于将患者分为有无AKI和无AKI。末叶的基尼系数在7个叶节点中的3个中超过0.45，这表明分类不正确。
RF方法的重要性矩阵图，揭示了对模型最重要的5个最重要的输入变量是术中尿量，术中pRBC输血，术前血红蛋白（HGB），术前血清肌酐和术前eGFR。在最重要的20个特征中，有4个是术中变量，而8个是时间序列变量。
SHAP概述RF模型的前20个功能。该图描述了训练数据集中高低特征值相对于SHAP值的关系。特征的SHAP值越高，AKI出现的可能性就越大。
单个特征如何影响RF预测模型的输出。y轴值表示特征的SHAP值，而x轴为特征值。我们可以直观地看到该功能的属性随绘图中值的变化而变化。SHAP值超过零表示AKI的风险增加。
总结：
证明术中时间序列对于AKI预测至关重要。
Shapley资料：
SHAP-Python的可解释机器学习库:知乎
GitHub: