L'objectif est de construire un modèle de prédiction du risque de décès après une opération chez les patients atteints de dissection aortique aiguë (AAD) en utilisant le modèle de renforcement extrême de gradient (XGBoost) et l'interprétation (SHAP) basés sur des variables cliniques générales, de construire un site de prédiction pour fournir une plateforme de services de diagnostic et de traitement pour les médecins cliniciens et les patients. Méthode. En adoptant une conception d'étude de cohorte rétrospective. Nous avons analysé les données de base et les résultats des tests de marqueurs sériques initiaux pour 782 patients atteints de AAD opérés à l'Hôpital n°4 de l'université de médecine du Hebei de janvier 2013 à décembre 2023, et avons réparti les patients en ensembles d'apprentissage et de test selon un ratio de 7:3 par échantillonnage aléatoire. Nous avons également collecté des données sur 313 patients atteints de AAD admis à l'Hôpital n°2 de l'université de médecine du Hebei de janvier 2020 à décembre 2023 pour une validation supplémentaire du modèle. Après avoir utilisé la régression LASSO pour sélectionner des variables, nous avons construit un modèle d'apprentissage automatique XGBoost et effectué SHAP, évaluant les performances du modèle à l'aide de courbes ROC, etc. À l'aide du package Shiny, nous avons déployé le modèle XGBoost sur shinyapps.io, construit un site de prédiction de risque de décès après une opération chez les patients atteints de AAD, et effectué une validation par exemple sur des ensembles de test et de validation externes, montrant que la valeur de prédiction du patient décédé après l'opération est de 0,9539, et que la valeur de prédiction du patient non décédé après l'opération est de 0,0206. Conclusions. Nous avons construit un modèle prédictif du risque de décès en établissement pour les patients atteints de AAD à l'aide de l'algorithme XGBoost, ce modèle présente de bonnes performances prédictives; l'outil de prédiction basé sur ce modèle aide à améliorer l'efficacité de l'identification de patients à haut risque de décès après une opération.

Apprentissage automatique; Modèle de prédiction; Dissection aortique aiguë; Décès après opération