典型文献
可解释的机器学习模型用于预测远期脑缺血事件
文献摘要：
目的 利用可解释的机器学习模型,探讨临床特征及颈动脉斑块成分预测远期脑缺血事件的可能性及具体特征的重要性.?方法 研究入组206例急性前循环脑梗死患者,半自动软件测量颈动脉斑块成分,记录临床特征,采用随机森林模型进行训练及检验数据.通过SHAP模型解释包对模型预测结果进行解读.?结果 206例患者中,女性86例,平均年龄(62.5±11.9)岁,共有128个脑区出现新发缺血性脑卒中,160个脑区出现脑白质疏松进展.随机森林模型预测新发缺血性脑卒中的准确率为94.9％和90.8％;预测脑白质疏松进展的准确率为94.2％及85.0％.年龄、收缩压及糖尿病史是远期脑缺血事件最重要的特征.?结论 可解释的机器学习可量化特征重要度及SHAP预测值,较好地评估单个样本远期脑缺血事件的风险.
文献关键词：
远期缺血事件;机器学习;颈动脉斑块;风险预测
中图分类号：
作者姓名：
孙勇;王立强;王芬;陈国强;张颖超;刘亚辉;秦岭;朱光明
作者机构：
065201 三河,河北省三河燕郊福合第一医院神经内科
文献出处：
引用格式：
[1]孙勇;王立强;王芬;陈国强;张颖超;刘亚辉;秦岭;朱光明-.可解释的机器学习模型用于预测远期脑缺血事件)[J].心脑血管病防治,2022(02):53-56,60
A类：
远期缺血事件
B类：
可解释,机器学习模型,脑缺血,颈动脉斑块,斑块成分,具体特征,急性前循环脑梗死,脑梗死患者,半自动,随机森林模型,检验数据,SHAP,模型解释,平均年龄,脑区,缺血性脑卒中,脑白质疏松,收缩压,糖尿病史,量化特征,特征重要度,估单,风险预测
AB值：
0.235756
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
