通过基于树的机器学习模型预测的 SHAP 解释理解心力衰竭患者的 EHR 临床特征
机器学习
2021-03-23 v1 应用统计
摘要
心力衰竭（HF）是死亡的主要原因。准确监测 HF 进展并调整治疗对于改善患者预后至关重要。有经验的心力衰竭专家可基于患者电子健康记录（EHR）中的症状、体征与实验室结果的组合，在不直接测量心功能的情况下做出准确的 HF 分期诊断。我们考察了机器学习模型，更具体地说是 XGBoost 模型，能否基于 EHR 准确预测患者分期，并进一步应用 SHapley Additive exPlanations（SHAP）框架来识别信息性特征及其解释。我们的结果表明，基于 EHR 的结构化数据，我们的模型能以中等准确度预测患者的射血分数（EF）评分。SHAP 分析识别了信息性特征并揭示了 HF 的潜在临床亚型。我们的发现为如何设计计算系统以通过持续挖掘患者 EHR 数据来准确监测 HF 患者疾病进展提供了见解。
引用
@article{arxiv.2103.11254,
title = {Understanding Heart-Failure Patients EHR Clinical Features via SHAP Interpretation of Tree-Based Machine Learning Model Predictions},
author = {Shuyu Lu and Ruoyu Chen and Wei Wei and Xinghua Lu},
journal= {arXiv preprint arXiv:2103.11254},
year = {2021}
}
备注
Submitted to AMIA 2021 Annual Symposium