Цель состоит в том, чтобы на основе клинических общих переменных построить модель смертности после операции у пациентов с острым разрывом аорты (AAD), используя модель экстремального градиентного бустинга (XGBoost) и интерпретацию (SHAP), построить сайт прогнозирования для предоставления платформы клиническим врачам и пациентам. Метод. Применяя дизайн ретроспективного когортного исследования. Анализировали базовые данные и результаты первичного обследования сывороточных маркеров у 782 пациентов с AAD, прооперированных в Четвертом больнице медицинского университета Хэбэй с января 2013 года по декабрь 2023 года. Распределили пациентов на обучающий набор и тестовый набор случайным выбором в соотношении 7:3. В то же время собрали данные о 313 пациентах с AAD, принятых второй больницей медицинского университета Хэбэй с января 2020 года по декабрь 2023 года, для дальнейшей проверки модели. Используя регрессию LASSO для отбора переменных, построили модель машинного обучения XGBoost и прошли процедуру SHAP, оценивали производительность модели, используя методы ROC-кривых. С помощью пакета Shiny развернули модель XGBoost на shinyapps.io, построили прогностический сайт для прогнозирования риска смерти после операции у пациентов с AAD и провели пример валидации на тестовом наборе и внешнем проверочном наборе. Результаты. Значение AUC ROC модели XGBoost, прогнозирующей смерть пациентов с AAD после операции, достаточно высоко [в обучающем наборе: AUC=0.928(95%CI 0,901~0,956); в тестовом наборе: AUC=0.919(95%CI 0,891~0,949); во внешнем проверочном наборе: AUC=0.941(95%CI 0,915~0,967)]. Важность переменных SHAP в модели упорядочена по убыванию от высокой до низкой: «Лактатдегидрогеназа» Хлор в крови Поливисцеральная травма Дихлорид-углекислого газа Протромбиновое время α-гидроксибутират Креатинкиназа изоферментов Типинг Стандфорд Сочетанное использование постельного кровопереливания у койки Пол Острое почечное повреждение Кровотечение из пищеварительного тракта Травма мозга и Шок. С использованием метода XGBoost-SHAP построен прогностический сайт для прогнозирования неблагоприятных исходов после операции у пациентов с AAD (https://dun-dunxiaolu.shinyapps.io/document/) и проведена образцовая проверка, которая показала, что значение прогноза для пациента 1, который умер после операции, составляет 0,9539, и значение прогноза для пациента 2, который не умер после операции, составляет 0,0206. Выводы. С использованием алгоритма XGBoost построена прогностическая модель риска смерти в стационаре для пациентов с AAD, этот метод имеет высокую прогностическую производительность; инструмент прогнозирования, построенный на основе этой модели, помогает повысить эффективность идентификации пациентов с высоким риском смерти после операции.

Машинное обучение; Прогностическая модель; Острый разрыв аорты; Смерть после операции