| 摘要: |
| 目的 探讨构建川崎病（KD）患儿发生冠状动脉损害（CAL）风险的机器学习预测模型，并利用沙普利加性解释
（SHAP）方法分析影响 CAL 风险的关键因素。 方法 回顾性选取 2020 年 6 月至 2024 年 9 月蚌埠市第一人民医院收治并确诊为
KD急性期的100例患儿为研究对象，其中发生CAL 25例。按照7∶3随机分为训练集70例和验证集30例。采用最小绝对收缩和
选择算子（LASSO）回归筛选KD患儿发生CAL的重要特征变量，并分别应用随机森林、支持向量机、决策树、轻量级梯度提升机和
K最近邻5种机器学习算法构建机器学习模型。采用ROC曲线、校准曲线及临床决策曲线评价各机器学习模型的效能。最后，应
用 SHAP 方法对最优机器学习模型进行可解释性分析。 结果 在训练集中，经 LASSO 降维筛选显示，N 末端脑利钠肽前体（NTproBNP）、C 反应蛋白（CRP）、白细胞介素-6（IL-6）、血小板计数（PLT）、甘油三酯（TG）、白细胞计数、血沉、降钙素原和红细胞压
积是 KD 患儿发生 CAL 的重要特征变量。ROC 曲线分析显示，在训练集中随机森林、轻量级梯度提升机、决策树、支持向量机和 K
最近邻预测 KD 患儿发生 CAL 的 AUC 分别为 0.905、0.816、0.753、0.743 和 0.691，以随机森林 AUC 最高，其诊断特异度、准确度、
召回率及 F1 值分别为 0.884、0.867、0.921 和 0.836。校准曲线分析显示，随机森林模型在 5 种机器学习模型中预测准确度最佳；
临床决策曲线分析显示，与其他机器学习模型比较，随机森林模型表现出更大的临床净获益率。SHAP 图显示，对 KD 患儿发生
CAL影响最重要的前5位特征因素依次为NT-proBNP、CRP、IL-6、PLT和TG。 结论 基于SHAP可解释性的机器学习模型能够
有效预测KD患儿发生CAL的风险，尤以随机森林模型在预测效能最佳。 |
| 关键词: |
| DOI：10.12056/j.issn.1006-2785.2025.47.7.2024-2237 |
| 分类号: |
| 基金项目:安徽省卫生健康科研重点项目（AHWJ2022a040）；蚌埠市科技创新指导类项目（20220105、20230108）；蚌埠医学院科技
项目（2022byzd154） |
|
|
|
|
| Abstract: |
|
| Key words: |
