XGBoost再入院预测模型

AUC达0.763

面向急性心力衰竭患者，通过SHAP解释关键特征，实现显著优于传统逻辑回归的30天再入院风险预测。

Yang, Zhang · 向天雨 · Yanqing, Wang · Shu, Tingting · Yin, Chengliang · Huan, Li · Duan, Minjie · Mengyan, Sun · Zhao, Binyi · Kadier, Kaisaierjiang · Xu, Qian · Ling, Tao · Fanqi, Kong · 刘小株

iScience 2024

参数信息

AUC

0.763

灵敏度

0.660

准确率

0.709

技术优势

比逻辑回归更准

XGBoost模型的AUC显著高于传统逻辑回归模型，能更准确地识别高风险患者。

能解释预测原因

通过SHAP值展示各特征对预测的贡献，帮助临床医生理解模型决策依据。

特征经过筛选

采用方差膨胀因子和5折交叉验证筛选关键临床变量，减少冗余，提升模型泛化能力。

应用场景

• 心衰患者管理：帮助识别高再入院风险患者，提前干预。
• 临床决策支持：提供量化风险和关键影响因素，辅助医生决策。
• 医疗风险预测：预测30天非计划再入院风险，优化资源配置。