谭雨婷^1,2*，陈桂玲^3*，王书阁¹，占星新⁴，程蓉^1,2，乔林茹¹，张志霞¹，刘亚萍¹

¹武汉科技大学附属天佑医院护理部，湖北武汉，430064；

²武汉科技大学医学部，湖北武汉，430065；

³武汉科技大学附属天佑医院精神医学科，湖北武汉，430064；

⁴新余学院公共卫生与健康学院，江西新余，338004

[第一作者]谭雨婷、陈桂玲。*这些作者对本工作贡献相同。

[通讯作者]张志霞、刘亚萍。Email：zzx13476805827@126.com; bzmulyp@126.com

目的：挖掘精神分裂症患者的电子病历数据，基于机器学习构建30天非计划再入院风险预测模型，并引入SHAP（SHapley Additive exPlanation）方法对模型进行解释，为临床治疗提供决策指导。

方法：通过回顾性研究，在湖北省武汉市某三级甲等医院精神医学科选取2021年1月1日至2024年6月30日期间，至少有一次住院记录的1123名精神分裂症患者作为研究对象。使用多元线性回归和特征重要性方法筛选变量，分别构建逻辑回归（logistic regression，LR）、决策树（decision tree，DT）、随机森林（random forest，RF）、支持向量机（support vector machine，SVM）和极限梯度提升（extreme gradient boosting，XGB）共五种机器学习算法。应用受试者工作特征曲线下面积（area under the receiver operating characteristic curve，AUC）来验证五个模型的预测能力，并利用SHAP解释模型各个特征对预测结果的贡献。

结果：30天非计划再入院率为30.54%（343/1123）。预测30天非计划再入院的LR、DT、RF、XGB和SVM模型的AUC值分别为0.794、0.717、0.823、0.830和0.810。其中XGB模型的性能明显优于其他模型AUC值为0.830，准确率为0.7768，精确率为0.6116，召回率为0.7255，F1评分为0.6637。SHAP值分析解释躯体共病数量、病程持续时间、最近一次住院时长、停药史和性别是30天非计划再入院风险预测的重要影响因素。

结论：XGB风险预测模型可以精准预测精神分裂症患者30天非计划再入院风险。结合SHAP方法可为患者的个性化风险预测提供明确解释，为临床治疗的早期干预和过渡期护理提供精准、科学的决策支持，以降低精神分裂症患者的非计划再入院率，改善其预后效果。

关键词：精神分裂症；非计划再入院；预测；机器学习；可解释性