基于XGBoost的危重症患者住院时间分类预测模型和风险因素研究
林之韵
程云章
耿晓斌
上海理工大学 上海介入医疗器械工程技术研究中心,上海 200093
摘要：为预测危重症患者在重症监护病房的住院时间(length of stay in intensive care unit,ICU LOS),并探索实验室指标对ICU LOS的影响,本研究基于危重症患者的25 个临床指标构建XGBoost模型,对患者是否发生超过3d的ICU LOS进行预测,并基于SHAP模型对最佳性能模型进行解释性评估.结果显示,XGBoost模型准确率为 87.9％.相比于其他预测模型,XG-Boost模型在准确率、敏感度和区分度上均有明显优势.同时,SHAP模型增加了集成模型的可解释性和可靠性.研究表明,XGBoost模型可有效识别ICU LOS较长的患者,辅助医生优化临床治疗方案,改善患者预后状况.
关键词：重症监护室机器学习时间预测SHAP模型特征分析临床决策支持
分类号：R318(医用一般科学)R459.7(治疗学)TP391(计算技术、计算机技术)
论文发表日期：2023-03-25
在线出版日期：2026-09-11（本平台首次上网日期，不代表文献的发表时间）
页数：7( 36-42 )
英文信息