Ziel auf der Grundlage klinischer allgemeiner Variablen ist es, ein Modell zur Vorhersage des Todesrisikos nach der Operation bei Patienten mit akuter Aortendissektion (AAD) unter Verwendung der Extreme Gradient Boosting (XGBoost)-SHAP-Methode zu erstellen und eine Vorhersage-Website aufzubauen, um klinischen Ärzten und Patienten eine Plattform für die Diagnose und Behandlung zu bieten. Die Methode verwendet ein retrospektives Kohortenstudien-Design. Es wurden 782 Fälle von AAD-Patienten, die zwischen Januar 2013 und Dezember 2023 an der Vierten Krankenhaus der Hebei Medical University operiert wurden, gesammelt und analysiert basierend auf den grundlegenden Informationen und den Ergebnissen der ersten klinischen Untersuchung von Blutserummarkern. Die Patienten wurden nach dem Zufallsprinzip im Verhältnis von 7:3 in Trainings- und Testsets aufgeteilt. Gleichzeitig wurde eine externe Validierungsgruppe von 313 Fällen von AAD-Patienten, die zwischen Januar 2020 und Dezember 2023 von Zweiten Krankenhaus der Hebei Medical University aufgenommen wurden, gesammelt, um das Modell weiter zu validieren. Nach der Auswahl der Variablen mit dem LASSO-Regression wurde das XGBoost-Maschinenlernmodell erstellt und SHAP angewendet, um die Vorhersageleistung des Modells mit Methoden wie der Receiver Operating Characteristic (ROC) Kurve zu bewerten. Das XGBoost-Modell wurde unter Verwendung des Shiny-Pakets auf shinyapps.io bereitgestellt und eine Vorhersagewebsite für das Risiko des postoperativen Todes von AAD-Patienten wurde erstellt und in den Test- und Validierungsgruppen jeweils ein Patient zufällig zur Shiny-Webvorhersage ausgewählt. Die Ergebnisse zeigen, dass die Fläche unter der ROC-Kurve (AUC) des XGBoost-Modells für die Vorhersage des postoperativen Todes von AAD-Patienten relativ hoch ist [Trainingsset: AUC=0,928 (95%CI 0,901-0,956); Testset: AUC=0,919 (95%CI 0,891-0,949); Validierungsset: AUC=0,941 (95%CI 0,915-0,967)]. Die SHAP-Interpretation der Variablen zeigte, dass Laktatdehydrogenase, Blutchlorid, Multiorganversagen, Kohlendioxidbindung, Prothrombinzeit, α-Hydroxybuttersäure, Kreatinkinase-Isoenzym, Stanford-Typung,Begleitende Verwendung von Blutreinigung im Bett, Geschlecht, Akutes Nierenversagen, Magen-Darm-Blutung, Hirnverletzung und Schock in absteigender Reihenfolge an Bedeutung im Modell sind. Mit der XGBoost-SHAP-Methode wurde eine Vorhersagewebsite für das Risiko eines ungünstigen postoperativen Ergebnisses bei AAD-Patienten (https://dun-dunxiaolu.shinyapps.io/document/) erstellt und anhand von Beispielen validiert, indem jeweils ein Patient aus den Test- und Validierungsgruppen zufällig ausgewählt wurde. Dabei wurde festgestellt, dass die Vorhersagewerte für einen Patienten, der nach der Operation gestorben ist, 0,9539 und für einen Patienten, der nach der Operation nicht gestorben ist, 0,0206 betrugen. Die Verwendung des XGBoost-Algorithmus wurde verwendet, um ein Vorhersagemodell für das intraoperative Todesrisiko von AAD-Patienten zu erstellen; das Modell zeigte eine relativ hohe Vorhersageleistung. Das Online-Vorhersage-Tool, das mit diesem Vorhersagemodell erstellt wurde, kann dazu beitragen, die Identifikation von Patienten mit einem hohen postoperativen Todesrisiko zu verbessern.

Maschinelles Lernen; Vorhersagemodell; akute Aortendissektion; postoperativer Tod