用于预测糖尿病足溃疡患者住院截肢率的可解释机器学习模型

用于预测糖尿病足溃疡患者住院截肢率的可解释机器学习模型

糖尿病患病率在近年来逐年增加，引起了并发症并降低了生活质量。DFU是一种严重的并发症，常常导致糖尿病患者的高截肢率，5年死亡率超过50％。因此，预防截肢对于改善患者的生活质量和生存率至关重要。当前的DFU分类系统存在局限性，传统的线性模型无法捕捉风险因素之间复杂的非线性关系。机器学习在疾病诊断和预后方面表现出优越的性能，但先进的模型通常被视为“黑匣子”，解释能力有限。在本研究中，开发了一种先进的机器学习模型，用于预测DFU患者的住院截肢风险。采用无模型方法优化“黑匣子”模型，提高了医生使用模型的信心，并为住院患者个性化分析截肢风险因素提供了新的方法。

本研究是一项回顾性队列研究，时间跨度为2009年至2020年。研究对象为患有DFU的患者。研究排除了年龄小于18岁、死亡或在被转介至重庆大学中心医院之前已进行截肢手术、治疗期间被转介至其他医疗机构的患者。研究收集了住院期间参与者的电子病例的数据，包括人口统计特征、医疗和用药史、临床和实验室数据、Wagner溃疡分级、足部感染分级以及临床结果（截肢和死亡）。研究将参与者根据其临床结果分为三组：非截肢组、小手术截肢组和大手术截肢组。其中小截肢定义为踝下任何截肢，而大截肢定义为踝上的截肢。数据集随机分为训练(60%)、校准(20%)或测试数据集(20%)。

研究使用LightGBM这种机器学习方法构建模型，预测住院期间的非截肢、小截肢和大截肢的风险，该模型使用训练集进行训练，并使用五重交叉验证进行评估。使用基于treeParzen估计的贝叶斯超参数优化方法确定模型的最佳超参数。使用SHapley Additive exPlanations（SHAP）算法解释模型输出并理解预测结果。研究使用五个评估指标来评估模型性能，包括ROC曲线下面积（AUC）、灵敏度、特异度、阳性预测值（PPV，Positive Predictive Value）和阴性预测值（NPV，Negative Predictive Value）。

如图1所示，开发的模型在测试集中分别展示了以下预测能力:非截肢（AUC=0.90），轻度截肢（AUC=0.86），重度截肢（AUC=0.85）。模型的其他评价指标，包括敏感性、特异性、NPV和PPV，如表1所示。上述结果表明，多类分类模型具有较强的预测能力，其加权平均AUC(0.90)、敏感性(87.1%)、特异性(74.4%)、NPV(79.7%)和PPV(86.3%)。此外，如图2所示，各类别的校准曲线均接近45°线，而Brier评分（名解1）的加权平均值为0.086，说明模型的预测概率接近观测概率。

如图3所示，通过计算训练集样本中模型预测的平均值，可以得出一名住院期间接受了小型截肢手术的患者非截肢、轻度截肢、重度截肢的基线风险分别为0.76、0.11、0.13，使用模型后，显示出该患者非截肢、轻度截肢、重度截肢的预测概率分别为0.28、0.51、0.21。这表明SHAP算法潜在地解释了如何根据基线风险（名解2）和患者特征获得预测概率。

总而言之，本研究开发了一种可解释的机器学习模型，用于预测DFU患者在住院期间的截肢风险。该模型被发现具有很高的预测能力，可以准确估计DFU患者的截肢率。SHAP 算法用于解释模型的预测，并深入了解每个特征对预测的贡献。