Com base em variáveis clínicas gerais, foi desenvolvido um modelo usando o método XGBoost-SHAP (Explicabilidade da Adição de Permutações Shapley) para prever o risco de morte pós-operatória em pacientes com diseção aguda da aorta (DAA) e desenvolver um site de previsão para oferecer uma plataforma de serviços de diagnóstico e tratamento para clínicos e pacientes. Foi adotado um desenho de estudo de coorte retrospectivo. Foram analisados dados básicos e resultados do primeiro exame de monitoramento biológico realizado na admissão de 782 pacientes com DAA operados no Quarto Hospital da Universidade de Medicina da Província de Hebei entre janeiro de 2013 e dezembro de 2023. Os pacientes foram divididos em conjuntos de treinamento e teste na proporção de 7:3 por amostragem aleatória. Além disso, para a validação adicional do modelo, foram coletados dados de 313 pacientes com DAA atendidos no Segundo Hospital da Universidade de Medicina da Província de Hebei entre janeiro de 2020 e dezembro de 2023, para compor um conjunto de validação externa. Depois de selecionar as variáveis por regressão LASSO, foi elaborado um modelo de aprendizado de máquina XGBoost e realizado SHAP; a eficácia preditiva do modelo foi avaliada usando métodos como a curva ROC (Receiver Operating Characteristic). O modelo XGBoost foi implantado no shinyapps.io usando o pacote Shiny para criar o site de previsão do risco de morte pós-operatória de pacientes com DAA. A título de exemplo, indivíduos foram selecionados aleatoriamente no conjunto de teste e no conjunto de validação externa e usados para realizar previsões na página web do Shiny. Os resultados mostraram que a área sob a curva ROC (AUC) para prever a morte após a operação em pacientes com DAA usando o modelo XGBoost foi relativamente alta [conjunto de treinamento: AUC=0,928 (95% IC 0,901-0,956); conjunto de teste: AUC=0,919 (95% IC 0,891-0,949); conjunto de validação externa: AUC=0,941 (95% IC 0,915-0,967)]. Os SHAP values classificaram a importância das variáveis explicativas no modelo em ordem decrescente, da mais alta para a mais baixa: "lactato desidrogenase", "cloro sanguíneo", "lesão de múltiplos órgãos", "capacidade combinatória de dióxido de carbono", "tempo de protrombina", "α-hidroxibutirato", "creatina quinase isoenzima", "tipo de Stanford", "uso combinado de diálise extracorpórea", "sexo", "lesão renal aguda", "hemorragia digestiva", "lesão cerebral" e "choque". Usando o método XGBoost-SHAP, foi desenvolvido um site de previsão de risco de desfechos adversos pós-operatórios em pacientes com DAA (https://dun-dunxiaolu.shinyapps.io/document/) e foi validado usando exemplos, com a aplicação aleatória de um paciente em cada um dos conjuntos de teste e validação externa. Os resultados indicaram que o paciente 1, que morreu após a operação, teve uma previsão de 0,9539, enquanto o paciente 2, que sobreviveu após a operação, teve uma previsão de 0,0206. Usando o algoritmo XGBoost, foi desenvolvido um modelo preditivo para o risco de morte intra-hospitalar pós-operatória em pacientes com DAA, o qual apresentou alta eficácia preditiva; a ferramenta de previsão online desenvolvida por meio desse modelo contribui para melhorar a eficiência de identificação de pacientes com alto risco de morte pós-operatória.

Aprendizado de máquina;Modelo de previsão;Diseção aguda da aorta;Morte pós-operatória