摘要
背景：心血管疾病仍然是全球主要死亡原因之一，尤其在低收入和中等收入国家。早期准确预测心脏病对于及时干预和改善患者预后至关重要。机器学习技术提供了有前景的解决方案，然而，类别不平衡、缺乏可解释性以及有限的真实世界验证等挑战依然存在。
方法：在本研究中，利用从孟加拉国医疗机构收集的包含5000名患者记录的真实临床数据集，开发了一个基于机器学习的心脏病预测框架。数据预处理包括清洗、特征编码、训练-测试分割以及使用合成少数类过采样技术处理类别不平衡。采用10折分层交叉验证评估了多个机器学习模型——逻辑回归、决策树、支持向量机和随机森林。使用准确率、精确率、召回率和F1分数评估模型性能。采用SHAP提升模型可解释性。性能最佳的模型被部署为基于网页的决策支持系统。
结果：在评估的模型中，随机森林分类器表现最佳，准确率达98%，召回率96%，F1分数96%。消融研究证明了SMOTE、特征集成和集成建模的有效性。SHAP分析识别出与心脏病预测相关的临床特征，增强了模型决策的透明度和信任度。
结论：所提出的框架利用真实临床数据为心脏病预测提供了准确、可解释且实用的解决方案。可解释机器学习和基于网页部署的结合凸显了其在临床决策支持方面的潜力。未来工作将聚焦于多中心前瞻性验证和自适应模型更新，以进一步提高泛化能力和现实适用性。
亮点
• 使用了包含5000名患者的大型真实临床数据集进行稳健的心脏病预测。
• 结合SMOTE的随机森林模型实现了高性能（准确率98%，召回率96%）。
• 全面的消融和模型比较分析验证了方法的稳健性。
• 基于SHAP的可解释性提供了透明且临床可解释的预测。
• 所提出的系统已部署为基于网页的临床决策支持工具。
关键词
心脏病，随机森林，机器学习，Web应用
数据可用性
本研究中使用的数据可根据合理要求从通讯作者处获取。
【全文结束】