传统方法，如逻辑回归，已被广泛用于识别风险因素和预测疾病概率。
很多机器学习构建预测模型的文章中，XGBoost模型优于其他模型。
今天这篇JAMA子刊文章，再次证明XGB构建预测模型 ，确实优秀！
2025年5月1日，JAMA Network Open（医学一区，IF=10.5）发表研究论文，旨在开发一种可跨所有科室早期检测病情恶化的机器学习模型
研究结果显示，XGBoost 模型的表现最佳，甚至优于或等同于各科室专门训练的模型。
模型输入特征包括患者年龄、所在科室、生命体征、实验室结果及既往合并症。
结果显示，XGBoost 模型是最佳机器学习模型，其区分度（C 统计量）为 0.86，显著高于两种面向普通病房的已有模型（分别为 0.82 和 0.70，均 P < .001）；
此后，我们将此模型称为儿科重大事件风险评估和评分工具 （pCREST）。使用信息增益评估pCREST 的前 20 个最重要的变量，按重要性降序排列。
基于 Shapley 值的个体患者风险随时间变化情况（以一名 16 岁患者在急诊分诊、转入普通病房再转入 ICU 直至发生关键事件的过程中 pCREST 风险百分位的变化为例）。
参考文献：
Strutz S, Liang H, Carey K, et al. Machine Learning for Predicting Critical Events Among Hospitalized Children. JAMA Netw Open. 2025;8(5):e2513149. doi:10.1001/jamanetworkopen.2025.13149
机器学习构建预测模型写代码还是有点难度的，如果您也想模仿这篇文章的思路，郑老师团队可以帮您实现，不妨联系我们郑老师统计团队。
