一种面向不平衡数据的心脏病风险预测可解释性框架

作者：周展; 刘彬; 郑立瑞; 谭建聪; 邹北骥; 彭清华^*; 肖晓霞^*

来源：湖南中医药大学学报, 2023, 43(06): 1078-1085.

• 数据类别不平衡
• 心脏病风险预测
• XGBoost
• SHAP
• 可解释性

目的 研究疾病预测模型存在的类别不平衡性与不可解释性难题。方法 结合极限梯度提升（eXtreme gradient boosting, XGBoost）、混合采样和Shapley加法解释（shapley additive exPlanations, SHAP）分析，提出一种面向不平衡数据的心脏病风险预测可解释性框架ICRPI。结果 该框架下的风险预测模型平衡准确度为0.942 50,AUC为0.986 03，模型可视化分析获得高龄、高体质量指数（body mass index, BMI）值、患有糖尿病等9个心脏病危险因素，并得出高龄的糖尿病患者、高BMI值且诊断为糖尿病或临界糖尿病患者、高BMI值且缺乏体力活动群体为患心脏病高危群体，临界糖尿病人群参与体力活动可降低患心脏病风险。结论 ICRPI框架适用于真实临床不平衡数据分析，且能明确给出致病风险因素及其相关性，可有效提高临床诊断准确率的同时为医生提供致病因素分析，智能辅助医生临床诊疗。

• 单位
  湖南中医药大学; 中南大学