目的 构建基于XGBoost和SHAP值的可解释性模型,该模型可同时实现良好的预测能力和解释能力,可用于 慢性冠脉综合征(CCS)患者的可解释预测。方法 本研究选取2019年9月至2023年6月就诊于福建中医药大学附属 第三人民医院、福建中医药大学附属南平人民医院、上海中医药大学附属龙华医院CCS患者数据,数据包括患者的临床 基线资料、心血管危险因素以及既往行经皮冠状动脉介入治疗(PCI)和/或冠状动脉旁路移植术(CABG)手术情况及冠 脉造影结果。在本研究中,通过将XGBoost模型与其他4种机器学习模型进行比较,评估XGBoost模型的预测性能。 此外,使用基于SHAP值的可视化解释器用于提供个性化评估和解释,以实现个性化的临床决策支持。结果 XGBoost 模型能较好地预测CCS人群的重大不良心血管事件(MACE)发生,与以往的预测模型相比,此模型更为简单有效,预测 精度高,模型召回率(RR)和受试者工作特征曲线下面积(AUC)分别为84.85%和98.01%,均高于其他4种模型结果。 此外,该文对两组指标进行了特征依赖分析,发现高血压、低密度脂蛋白胆固醇(LDL-C)、吸烟指数、中医证型和年龄可 显著影响MACE发生风险。结论 基于XGBoost和SHAP值的可解释性模型可能有助于临床医生更准确快速地识别 CCS人群中存在MACE风险的患者,为患者提供更好的治疗。此外,可视化的可解释性框架的使用增加了模型透明度, 便于临床医生分析预测模型的可靠性。