基于可解释性机器学习的新冠肺炎疾病风险预测研究

孙悦; 陈广新; 于淼; 郭金兴

doi:10.3969/j.issn.2096-6091.2023.12.007

您当前的位置：

首页 >

文章列表页 >

基于可解释性机器学习的新冠肺炎疾病风险预测研究

研究论文 | 更新时间：2025-03-26

- 基于可解释性机器学习的新冠肺炎疾病风险预测研究
- Disease Risk Prediction of COVID-19 Based on Interpretive Machine Learning
- 新一代信息技术 2023年6卷第12期页码：40-44
- 作者机构：
  
  1.牡丹江医学院附属红旗医院，黑龙江牡丹江 157011
  2.牡丹江医学院医学影像学院，黑龙江牡丹江 157011
- 作者简介：
  
  孙悦（1987—），女，研究方向：临床数据挖掘。
  陈广新（1978—），男，研究方向：人工智能。
  于淼（1994—），女，研究方向：数据挖掘。
  郭金兴
- 基金信息：
  
  2021年黑龙江省省属高校基本科研业务费科研项目(2021-KYYWF-0494)
- DOI：10.3969/j.issn.2096-6091.2023.12.007
  中图分类号： R735.34
- 录用日期：2023-06-13，
  
  纸质出版日期：2023-06-30
- 稿件说明：
移动端阅览
孙悦, 陈广新, 于淼, 等. 基于可解释性机器学习的新冠肺炎疾病风险预测研究[J]. 新一代信息技术, 2023, 6(12): 40-44

SUN Yue, CHEN Guang-xin, YU Miao, et al. Disease Risk Prediction of COVID-19 Based on Interpretive Machine Learning[J]. New Generation of Information Technology, 2023, 6(12): 40-44
孙悦, 陈广新, 于淼, 等. 基于可解释性机器学习的新冠肺炎疾病风险预测研究[J]. 新一代信息技术, 2023, 6(12): 40-44 DOI： 10.3969/j.issn.2096-6091.2023.12.007.

SUN Yue, CHEN Guang-xin, YU Miao, et al. Disease Risk Prediction of COVID-19 Based on Interpretive Machine Learning[J]. New Generation of Information Technology, 2023, 6(12): 40-44 DOI： 10.3969/j.issn.2096-6091.2023.12.007.

摘要

精准快速的对新冠肺炎患者进行诊断及分析影响新冠肺炎诊断的关键因素对提高新冠肺炎重症患者的治疗具有重要的意义。目前，机器学习预测新冠肺炎的算法中缺乏模型可解释性研究，为此，本文研究了基于13种机器学习的算法模型，利用超参数优化算法对模型进行优化，结合SHAP方法从全局和局部的层面增强模型的可解释性，解释性分析新冠肺炎疾病诊断的影响因素，为临床诊断提供辅助决策依据。

Abstract

Accurate and rapid diagnosis of COVID-19 (COrona VIrus Disease 2019) patients and analysis of key factors affecting the diagnosis of COVID-19 are of great significance for improving the treatment of severe COVID-19 patients. At present

there is a lack of model interpretability research in machine learning algorithms for predicting COVID-19. For this reason

this paper studies 13 machine learning algorithm models

uses hyperparameter optimization algorithm to optimize the model

combines SHAP method to enhance the interpretability of the model from the global and local levels

interpretively analyzes the influencing factors of COVID-19 disease diagnosis

and provides auxiliary decision-making basis for clinical diagnosis.

关键词

Keywords

references

李佳思 . 基于机器学习的糖尿病预测及SHAP特征分析 [J ] . 智能计算机与应用 , 2023 , 13 ( 1 ): 153 - 157 .

曹玉茹 , 高洋洋 . 基于SHAP值惩罚特征的集成分类方法研究 [J ] . 统计与决策 , 2023 , 39 ( 6 ): 21 - 26 .

刘建模 , 罗颢文 , 俞鹏飞 , 等 . 基于机器学习的急性缺血性脑卒中医院感染预测模型建立与评价 [J ] . 中国感染控制杂志 , 2023 , 22 ( 2 ): 129 - 135 .

金哲 , 张斌 , 张璐 , 等 . 基于多参数MRI影像组学及临床特征的鼻咽癌远处转移可解释性机器学习预测模型 [J ] . 磁共振成像 , 2022 , 13 ( 11 ): 22 - 29 .

辛瑞昊 , 董哲原 , 苗冯博 , 等 . 基于机器学习的心脏病预测模型研究 [J ] . 吉林化工学院学报 , 2022 , 39 ( 9 ): 27 - 32 .

雷诺扬帆 , 童琪 , 张译文 , 等 . 利用电子健康记录分析心脏瓣膜疾病合并心房颤动的机器学习模型 [J ] . 中国胸心血管外科临床杂志 , 2022 , 29 ( 8 ): 953 - 962 .

周洋 . 基于机器学习的AECOPD合并Ⅱ型呼吸衰竭的预测模型研究 [D ] . 重庆 : 重庆医科大学 , 2022 .

孙勇 , 王立强 , 王芬 , 等 . 可解释的机器学习模型用于预测远期脑缺血事件 [J ] . 心脑血管病防治 , 2022 , 22 ( 2 ): 53 - 56, 60 .

罗妍 , 王枞 , 叶文玲 . 基于XGBoost和SHAP的急性肾损伤可解释预测模型 [J ] . 电子与信息学报 , 2022 , 44 ( 1 ): 27 - 38 .

王鑫 , 廖彬 , 李敏 , 等 . 融合LightGBM与SHAP的糖尿病预测及其特征分析方法 [J ] . 小型微型计算机系统 , 2022 , 43 ( 9 ): 1877 - 1885 .

陈洞天 , 单杰 , 周文丹 . 基于Xgboost的心血管疾病预测模型和指标分析研究 [J ] . 现代医院 , 2021 , 21 ( 6 ): 958 - 961 .

孙锦岩 . 重症监护室发生院内获得性重症肺炎(SHAP)的危险因素分析 [J ] . 临床医药文献电子杂志 , 2014 , 1 ( 11 ): 1891 - 1892 .

陈小昆 , 左航旭 , 廖彬 , 等 . 融合XGBoost与SHAP的冠心病预测及其特征分析模型 [J ] . 计算机应用研究 , 2022 , 39 ( 6 ): 1796 - 1804 .

卢云 , 张梦月 , 夏赫 , 等 . 基于LightGBM及SHAP对1055例新型冠状病毒肺炎重型患者中西医结合及西医治疗的多中心回顾性研究 [J ] . 北京中医药大学学报 , 2021 , 44 ( 12 ): 1098 - 1107 .

张玮畅 , 田晶 , 杨弘 , 等 . 冠心病合并慢性心力衰竭患者5年全因死亡生存分析与可解释性研究 [J ] . 中华疾病控制杂志 , 2023 , 27 ( 4 ): 373 - 378, 391 .

浏览量

482

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于可解释性机器学习的阿尔茨海默症痴呆风险预测

基于血流动力学与形态学特征融合的动脉瘤破裂风险机器学习预测研究

基于人工智能的无人机自组网路由算法研究进展

预测COVID-19感染风险的医疗决策机器学习方法研究