今天分享的这篇预测模型文章，变量筛选的思路有点意思，作者通过两种方法：LASSO法与森林之神—Boruta法进行变量筛选，取两者交集作为预测因子构建预测模型。

LASSO法与Boruta法都是预测模型文章筛选变量的常用方法，本文取两者交集，有助于识别重要特征，减少冗余，这是值得推荐的！

但是，文章最后基于XGBoost模型绘制列线图，这种做法是可行的吗？机器学习也能做列线图吗？

2025年4月23日，扬州大学学者在期刊《Bmc Infectious Diseases》发表了一篇题为：“Interpretable machine learning model for predicting delirium in patients with sepsis: a study based on the MIMIC data”的研究论文，旨在构建可解释的机器学习模型，以预测败血症患者发生谵妄的风险，并探讨谵妄对患者28天生存率的影响。

采用 MIMIC‑IV（重症医学数据库）数据，纳入年龄大于18岁的10,321例满足条件的败血症患者。

谵妄对患者28天生存率的影响

在构建预测模型之前，研究团队采用 Kaplan–Meier分析及 log‑rank 检验评估谵妄组与非谵妄组的生存差异，并构建多变量 Cox 比例风险模型，评估谵妄与败血症患者 28 天生存状况的关联。

结果显示，谵妄组患者的 28 天死亡风险显著增高，差异具有统计学意义（log‑rank P < 0.001），多因素cox回归结果一致。

为了探讨谵妄是否通过其他变量影响败血症患者的短期生存，采用中介效应分析。结果表明，谵妄可能通过年龄、血红蛋白（Hb）、血尿素氮（BUN）和乳酸（Lac）影响败血症患者的28天死亡结局。

本文重点在于机器学习构建预测模型，此部分略写！

构建可解释机器学习预测模型

本文建模步骤条理非常清晰！

1.数据集随机拆分

首先，研究团队将样本按 7∶3 比例随机分为训练集和验证集。

2.变量筛选

在训练集上分别使用 Lasso 回归和 Boruta 方法进行特征筛选，最终仅选取两种方法均识别出的变量，共19项。

3.机器学习算法建模

分别构建 XGBoost（极端梯度提升）、SVM（支持向量机）、Logistic 回归和 RF（随机森林）四种机器学习模型进行预测。

4.模型性能评估

根据训练集和验证集的受试者工作特征曲线（ROC）下面积（AUC）、灵敏度、特异性、召回率、F1 值和准确率评估模型性能，XGBoost模型表现最佳！

决策曲线分析（DCA）及校准曲线均显示XGBoost模型具有最佳临床净收益和良好校准度。

5.模型解释SHAP分析

进一步利用 SHAP 方法绘制变量贡献条形图，量化各特征对预测结果的影响。

同时对单个样本进行特征影响评估，展示模型对某一患者的预测过程，红色条表示负向贡献，蓝色条表示正向贡献，f(x)为最终SHAP值，以增强模型可解释性。

6.绘制列线图

值得注意，研究团队基于最优XGBoost模型及SHAP贡献度，选取前五大变量（高血压、SOFA评分、氯离子、Hb、肌酐）构建列线图，以提升临床可用性并便于临床快速决策。

列线图预测谵妄的AUC为0.767（95% CI：0.726–0.798），校准曲线显示模型预测概率与实际观察结果一致。

机器学习临床预测模型能否绘制列线图？

本文建模步骤条理非常清晰。

研究团队先用机器学习，筛选自变量，然后建模，然后基于SHAP发来挑选最重要的5个变量，最后绘制列线图。

这里要说明下，它构建预测模型的方法是非参数法，往往是非线性的机器学习方法，而最终绘制列线图是基于logistic回归开展的。只是用XGBoost 模型和SHAP来挑选出在XGBoost模型中重要性排名前五的变量。

这样以吗？

老郑认为这是值得商榷的，XGBoost模型和SHAP方法挑选得到的变量不是基于线性关系筛选，而列线图则是基于线性模型的。XGBoost和SHAP特征重要性排名挑选得到的变量，在Logistic回归模型中不一定是最佳的预测因子。

因此，对于这种做法，各位可以尝试，我也看到了很多论文都是这么做，但谨慎用于下结论。

【感谢阅读浙中大郑老师团队撰写的统计文章】

---

关于郑老师团队及公众号

大型医学统计服务公众号平台，专注于医学生、医护工作者学术研究统计支持，我们是你们统计助理

我们开展对临床预测模型、机器学习、医学免费数据库NHANES、GBD数据库、CHARLS、孟德尔随机化方法、MIMIC 一对一R语言指导开展统计分析（一年内不限时间，周末、晚上均统计师一对一指导）。

①指导学习R语言基本技巧

②全程指导课程学习

③课程R语言代码运行bug修复

④支持学员一篇SCI论文的数据分析

1对1R语言指导详情介绍

详情联系助教小董咨询（微信号aq566665）