机器学习模型结合SHAP法预测多发性骨髓瘤患者骨折风险的研究

打开文本图片集

[摘要] 目的 基于沙普利可加性特征解释（Shapley additive explanations，SHAP）法构建并评估机器学习模型预测多发性骨髓瘤（multiple myeloma，MM）患者骨折风险的价值。方法 回顾性分析2021年6月至2024年6月浙江大学医学院附属第一医院收治的181例MM患者，收集患者的一般资料、实验室检查、既往史和疾病分期等潜在预测变量，经单因素分析和递归特征消除（recursive feature elimination，RFE）筛选变量，基于筛选后的变量以极限梯度提升（extreme gradient boosting，XGBoost）、随机森林（random forest，RF）、轻量级梯度提升机（light gradient boosting machine，LightGBM）和逻辑回归（Logistic regression，LR）分别构建模型，采用5折交叉验证评估模型的诊断效能，利用SHAP值分析最佳模型变量贡献。（剩余8359字）