目的意図は臨床一般変数に基づいて、極端勾配ブースティングモデル(XGBoost)-SHAP法を用いて急性大動脈解離（AAD）患者の手術後死亡リスクを予測するためのモデルを構築し、臨床医師と患者に診療サービスプラットフォームを提供することです。この方法は、回顧的コホート研究デザインを採用しています。2013年1月から2023年12月にかけて河北医科大学第四病院で手術治療を受けた782例のAAD患者の基本データと初回入院血清マーカー検査結果を収集し、分析しました。患者はランダムサンプリング法によって7:3の比率でトレーニングセットとテストセットに分けられました。同時に、2020年1月から2023年12月までに河北医科大学第二病院で収集された313例のAAD患者による外部検証セットを収集し、モデルをさらに検証しました。LASSO回帰を使用して変数を選択した後、XGBoost機械学習モデルを構築し、SHAPを適用して、モデルの予測性能を「受信者操作特性曲線」（ROC）などの方法で評価しました。XGBoostモデルはShinyパッケージを使用してshinyapps.ioにデプロイされ、AAD患者の手術後の死亡リスクの予測ウェブサイトを構築し、テストセットと外部検証セットそれぞれ1例の患者をSHinyウェブページ予測例としてランダム抽出しました。結果は、XGBoostモデルによるAAD患者の手術後死亡予測のROC曲線下面積（AUC）の値が比較的高いことを示しています[トレーニングセット：AUC=0.928(95%CI 0.901~0.956)；テストセット：AUC=0.919(95%CI 0.891~0.949)；外部検証セット：AUC=0.941(95%CI 0.915~0.967)]。SHAP値はモデル内での変数の重要性ランキングが高い順に、「乳酸脱水素酵素」「血液クロロ」「多臓器障害」「二酸化炭素結合力」「凝固時間」「α-ヒドロキシ酪酸」「クレアチンキナーゼ同工酵素」「スタンフォード分類」「ベッドサイド血液浄化の併用」「性別」「急性腎障害」「消化管出血」「脳障害」および「ショック」です。XGBoost-SHAP法を用いて、AAD患者の手術後の不良結果リスク予測ウェブサイト（https://dun-dunxiaolu.shinyapps.io/document/）を構築し、例検証を行い、テストセットと外部検証セットそれぞれ1名の患者をランダム抽出して適用したところ、手術後に死亡した患者1の予測値は0.9539、手術後に死亡しなかった患者2の予測値は0.0206でした

機械学習; 予測モデル; 急性大動脈解離; 手術後死亡