목표는 임상 일반 변수를 기반으로 한 급성대동맥박리(AAD) 환자의 수술 후 사망 위험을 예측하기 위해 극한 그라디언트 부스팅 모델(XGBoost)-SHAP 방법을 적용하고 모델을 구축하여 임상 의사와 환자에게 진료 서비스 플랫폼을 제공하는 것입니다. 이 방법은 회고적 코호트 연구 설계를 사용했습니다. 2013년 1월부터 2023년 12월까지 허베이 의과대학 제4병원에서 수술 치료를 받은 782명의 AAD 환자의 기본 자료 및 최초 입원 혈청 표지물 검사 결과를 수집하고 분석했습니다. 환자들은 무작위 추출 방법을 사용하여 7:3 비율로 훈련 집단과 시험 집단으로 분류되었습니다. 동시에, 2020년 1월부터 2023년 12월까지 허베이 의과대학 제2병원에서 치료를 받은 313명의 AAD 환자의 외부 검증 집단을 수집하여 모델을 추가로 검증했습니다. LASSO 회귀를 사용하여 변수를 선별한 후 XGBoost 기계 학습 모델을 구축하고 SHAP를 적용하여 모델의 예측 성능을 ROC 곡선과 같은 방법으로 평가했습니다. XGBoost 모델은 shinyapps.io에 Shiny 패키지를 사용하여 배치되고 AAD 환자의 수술후 사망 위험을 예측하는 웹 사이트를 구축하고 테스트 집단 및 외부 검증 집단에서 각각 1명의 환자를 무작위로 선택하여 Shiny 웹 예제 예측에 적용했습니다. 결과는 XGBoost 모델이 AAD 환자의 수술후 사망을 예측하기 위한 ROC 곡선 아래 영역(AUC) 값이 상대적으로 높음을 보여줍니다[훈련 집단: AUC=0.928 (95%CI 0.901~0.956)；시험 집단：AUC=0.919(95%CI 0.891~0.949)；외부 확인 집단: AUC=0.941(95%CI 0.915~0.967)] SHAP 값은 모델에서의 변수의 중요성 순으로 락토산 탈수소효소, 혈염소, 다기관 손상, 이산화탄소 결합력, 응고 전 백신 시간, α-하이드로부틸산, 크레아틴키나제 동형 효소, Stanford 분류, 혈청 정화를 병상에서 병행하는, 성별, 급성 신장 손상, 소화관 출혈, 뇌 손상 및 충격 순으로 나타났습니다. XGBoost-SHAP 방법을 사용하여 AAD 환자의 수술후 불리한 결과 위험을 예측하는 웹 사이트(https://dun-dunxiaolu.shinyapps.io/document/)를 구축하고 예제가격을 통해 확인되었으며 시험 집단 및 외부 검증 집단에서 각각 1명의 환자를 무작위로 선택하여 적용하였을 때, 수술후 사망한 환자 1의 예측 값은 0.9539이고, 수술 후 사망하지 않은 환자 2의 예측 값은 0.0206입니다

머신러닝; 예측 모델; 급성대동맥박리; 수술후 사망