龚欢欢，柯晓伟，王爱民，李湘民

中南大学湘雅医院急诊科，长沙 410008

心脏骤停是成人死亡的主要原因之一，全球每年新增病例达800万至900万，而我国每年约54万人发生心脏骤停且该数据呈逐年上升趋势[1]。心脏骤停后机体血流循环中断，数分钟内即可导致脑缺血死亡，即使进行有效的心肺复苏，短期死亡风险仍较高，而住院期间转归是临床医生及患者家属最迫切关注的问题。准确预测心脏骤停患者院内死亡风险有助于治疗方案的优化、临床决策的制订以及和谐医患关系的建立。由于心脏骤停病因的多样性和病情的复杂性、危重性，传统指标如神经元特异性烯醇化酶(neuron-specific enolase，NSE)、S100β、脑电图、颅脑影像学表现、格拉斯哥昏迷评分(Glasgow coma score，GCS)、急性生理学评分系统Ⅲ(acute physiology score Ⅲ，APSⅢ)在此类患者死亡风险的预测中难度较大[2]。

近年来，伴随计算机性能的巨大突破，医工融合现象逐渐明显，机器学习算法逐步被引入医学领域。Ngiam等[3]研究表明，对于病情严重、临床数据广泛且复杂患者的健康评估，机器学习算法的表现优于传统方法。基于其运行速度快、可高效处理大数据的优势[4]，机器学习算法已广泛用于多种危重症患者的预后评估[5-9]。在心脏骤停方面，既往大量研究已证实，基于机器学习算法构建的模型在此类人群神经功能评定、疾病复发风险预测方面表现出良好的性能[10-13]。但此类模型存在“黑盒子”问题，即缺乏临床易于理解的可解释性。2020年Lundberg等[14]建立了Shapley加法解释(Shapley additive explanation，SHAP)算法用以解释任何机器学习模型的输出，其不仅可根据SHAP值正负性反映变量对模型的影响程度，并可通过SHAP值对模型中每个变量的贡献进行量化，突破了机器学习模型难以解释的“黑盒子”问题[15]。……