ATO心毒性风险预测工具

算法说明

了解本工具使用的预测模型与技术方法

模型概述

本工具采用两阶段建模策略：首先使用随机森林进行特征筛选，然后基于筛选后的特征使用斜随机森林（Oblique Random Forest）进行心脏毒性风险分类预测。

模型类型

随机森林（特征筛选）+ 斜随机森林（分类器）

训练样本量

N = 500+

输入特征

总砷 (tAs)

无机砷、MMA与DMA的总和，反映砷暴露总量

二级甲基化指数 (SMI)

DMA/MMA，反映体内砷的二次甲基化效率

MMA百分比 (MMA%)

MMA占总砷比例，与心脏毒性风险正相关

DMA百分比 (DMA%)

DMA占总砷比例，反映砷的解毒能力

合并心毒性药物 (CT_drug)

是否同期使用具有心脏毒性的药物

模型性能

0.909

ROC-AUC

87.3%

准确率

78.7%

敏感性

93.3%

特异性

以上指标均来自独立测试集在选定操作阈值下的评估结果（ROC-AUC=0.909，95% CI: 0.861–0.957）。

SHAP 可解释性

SHAP (SHapley Additive exPlanations) 是一种基于合作博弈论的机器学习可解释性方法。它将每个特征视为博弈参与者，通过计算该特征在所有可能特征组合中的平均边际贡献，量化其对单次预测值偏离总体均值的影响程度。本工具采用 Kernel SHAP 变体，以训练集作为背景参照，计算各特征的贡献值 (Ponce-Bobadilla et al., Clin Transl Sci, 2024)。

SHAP 值含义：

  • +正值（条形向右）：该特征使本次预测的心毒性风险高于模型平均水平，提示其促进心毒性发生
  • −负值（条形向左）：该特征使本次预测的心毒性风险低于模型平均水平，提示其抑制心毒性发生

条形长度代表影响程度大小；所有特征的 SHAP 值之和等于该次预测概率与训练集平均预测概率之差。

局限性

  • •模型基于特定机构的临床数据训练，在不同人群中的泛化能力有待验证
  • •仅纳入砷代谢参数，未包含所有潜在风险因素
  • •预测结果应结合患者具体临床情况综合判断，不可单独作为决策依据

参考文献

  1. [1] Lundberg SM, Erion G, Chen H, et al. From local explanations to global understanding with explainable AI for trees. Nature Machine Intelligence. 2020;2(1):56-67. doi:10.1038/s42256-019-0138-9
  2. [2] Park YG, Park NK, Lee Y, et al. A machine learning platform for genotype-specific cardiotoxicity risk prediction using patient-derived iPSC-CMs. Cardiovascular Research. 2025;cvaf068. doi:10.1093/cvr/cvaf068
  3. [3] Ponce-Bobadilla AV, Schmitt V, Maier CS, Mensing S, Stodtmann S. Practical guide to SHAP analysis: Explaining supervised machine learning model predictions in drug development. Clin Transl Sci. 2024;17:e70056. doi:10.1111/cts.70056
  4. [4] Zhang N, Wang J, Shen C, et al. XGBoost based machine learning prediction model for major adverse cardiovascular events after PCI in STEMI patients. Cardiovascular Diagnosis and Therapy. 2024;14(6):1057-1071. doi:10.21037/cdt-24-335
  5. [5] Zhou H, Li F, Liu X. Early prediction of septic shock in ICU patients using machine learning: development, external validation, and explainability with SHAP. BMC Medical Informatics and Decision Making. 2025;25:51. doi:10.1186/s12911-025-02901-5