基于SHAP可解释性机器学习的老年糖尿病患者衰弱风险预测模型构建与验证327 人次已浏览

邓舜芝，康圣琴，方苗苗，王雪菲，巫海娣，莫永珍

目的? 构建与验证基于可解释性机器学习的老年糖尿病患者衰弱预测模型，以早期识别高风险患者。方法? 采用便利抽样法，选择 2024 年 1 月至 5 月本市某三级甲等综合医院住院的 232 例老年糖尿病患者作为研究对象。227 例患者完成研究，按照 7 ∶ 3 的比例随机分为训练集（158 例）与测试集（69 例），分别用于模型构建与验证。采用最小绝对收缩和选择算子（least absolute shrinkage and selection operator，LASSO）回归与 Boruta 算法筛选特征变量，并基于逻辑回归（logistic regression，LR）、支持向量机（support vector machine，SVM）和极端梯度提升树（extreme gradient boosting，XGBoost）构建机器学习模型。通过曲线下面积（area under curve，AUC）、灵敏度、特异度、F1 分数等指标评估模型性能，并通过 DeLong 检验比较模型间的 AUC差异。最优模型利用沙普利加和解释（Shapley additive explanation，SHAP）方法，对关键预测因子进行解释，并基于 Streamlit 开发网页计算器，实现模型可视化。结果? 227 例老年糖尿病患者中 99 例合并衰弱（43.6%）。XGBoost 模型综合表现最优，在训练集和测试集中，DeLong 检验显示 XGBoost 的 AUC 高于 LR 和 SVM（均 P<0.001）。训练集 AUC 为 0.920，准确性为 0.842，灵敏度为 0.783，特异度为 0.887，阳性预测值（positive predictive value，PPV）为 0.845，阴性预测值（negative predictive value，NPV）为0.840，F1 分数为 0.810。测试集 AUC 为 0.806，准确性为 0.681，灵敏度为 0.633，特异度为 0.743，PPV 为 0.731，NPV 为 0.744，F1 分数为 0.620。SHAP 可解释分析显示，衰弱的预测因子重要性排序依次为：认知障碍、查尔斯共病指数、慢性疼痛、体育锻炼量、肌少症、营养状态、糖尿病肾病。结论? 基于 SHAP 可解释 XGBoost 的衰弱预测模型可有效识别老年糖尿病患者的衰弱高风险因素，能为其健康管理策略提供支持。

摘要[ PDF 1.0 KB ] ( 253 ) 2026 ,1 (25): 1-11