XGBoost-SHAP模型在风险预测中的应用研究——以慢性肾脏病肾功能进展风险预测为例OA

早期识别慢性肾脏病(CKD)肾功能快速进展的高危人群对改善预后至关重要.该文利用XGBoost-SHAP技术,对150例CKD患者的基线特征(年龄、糖尿病史、高血压史、蛋白尿、eGFR)进行分析,构建XGBoost模型,预测12 m内eGFR下降≥30%或终末期肾病/死亡.经SMOTE平衡、递归特征消除及随机搜索优化后,与逻辑回归、随机森林和LightGBM对比.结果显示XGBoost的AUC为0.8100,优于逻辑回归(0.5000)、随机森林(0.7500)和LightGBM(0.7900).SHAP分析显示基线eGFR是最重要的预测因子,当eGFR低于45~50 mL/min/1.73 m^(2)时进展风险急剧上升,且与高蛋白尿协同放大,这与CKD的病理生理机制高度一致.综上,XGBoost-SHAP框架能有效识别CKD进展高风险个体,具备良好的区分度、校准度和临床实用性.