文献类型：期刊文章

作　　者：原一玮[1] 何航帜[1] 胡晓娟[3] 董涛[1] 靳婕[1] 赵卉[2] 张岩波[1]

YUAN Yiwei;HE Hangzhi;HU Xiaojuan;DONG Tao;JIN Jie;ZHAO Hui;ZHANG Yanbo(Department of Biostatistics,School of Public Health,Shanxi Medical University,Shanxi Provincial Key Laboratory of Major Diseases Risk Assessment,Taiyuan 030001,China;Department of Cardiology,Pulmonary and Critical Care Medicine,Second Hospital,Shanxi Medical University,Taiyuan 030001,China;Department of Medical Information Technology,Shanxi Medical University,Taiyuan 030001,China)

机构地区：[1]山西医科大学公共卫生学院卫生统计学教研室,重大疾病风险评估山西省重点实验室,太原030001 [2]山西医科大学第二医院呼吸与危重症医学科,太原030001 [3]山西医科大学管理学院医学信息技术教研室,太原030001

出　　处：《中华疾病控制杂志》

基　　金：国家自然科学基金(82173631);山西省科技合作交流专项项目(202204041101031)。

年　　份：2025

卷　　号：29

期　　号：4

起止页码：461-467

语　　种：中文

收录情况：BDHX、BDHX2023、核心刊

摘　　要：目的针对慢性阻塞性肺疾病急性加重(acute exacerbation of chronic obstractive pulmonary disease,AECOPD)住院患者,构建结合反事实解释框架的机器学习(machine learning,ML)模型,精准预测患者住院疗效并提供临床决策支持。方法选择2012—2020年因AECOPD于山西医科大学第二医院住院的患者3046例,以中位住院时长内是否好转出院作为结局变量,构建5种ML预测模型并进行性能对比。最后使用反事实框架解释最优模型并提供干预方案。结果CatBoost(categorical boosting)模型的综合性能最好,受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under curve,AUC)为0.748、准确率为68.4%、精确率为70.6%、召回率为69.1%、F1值为69.8%、布里尔分数为20.4%,校准曲线接近对角线。通过反事实解释框架直观呈现了患者的结局发生机制,生成的可干预方案可协助医生改善AECOPD患者的住院疗效。结论在仅使用常规电子医疗病历数据的情况下,基于CatBoost的预测模型可实现对AECOPD患者住院疗效的预测,结合反事实解释框架可为医生提供针对AECOPD患者的个性化干预方案,为临床决策提供可靠的依据。

关 键 词：慢性阻塞性肺疾病急性加重 机器学习  预测模型  模型可解释性  反事实解释  

分 类 号：R195.1] R563]