Accurately predicting 100-day mortality caused by circulatory system diseases (ICD-10-CM Chapter IX) in diabetes mellitus patients visiting the emergency department (ED) is crucial for improving clinical decision-making, given their high mortality risk from these conditions. To identify contributing risk factors, we apply Gradient Boosting Decision Trees (GBDT) models such as XGBoost, LightGBM, and CatBoost.

This study develops and compares two predictive models. Model 1 includes real-time clinical features available during the ED visit, while Model 2 incorporates additional historical diagnosis features that are not available in real-time in the ED. 

To address class imbalance, we apply two techniques which are a weighted method using the scale_pos_weight parameter in XGBoost and LightGBM as well as auto_class_weights parameter in CatBoost, and an oversampling approach using SMOTE-NC. All hyperparameter tuning is performed using 5-fold cross-validation in order to find the optimal hyperparameters for each GBDT model.

The results indicate that among all GBDT models with balancing methods, CatBoost with class weighting performs best for both Model 1 and Model 2. Since both models show similar predictive performance, this suggests that Model 1 effectively captures the key risk factors.

SHAP (SHapley Additive exPlanations) analysis further reveals that the inclusion of additional diagnostic features in Model 2 influences individual patient predictions. Although these features do not significantly improve overall model accuracy (as indicated by Model 2 performance metrics derived from CatBoost with class weighting), they provide valuable insights into patient-specific risk factors, highlighting the potential of interpretable machine learning in personalized risk assessment.

Att korrekt förutsäga 100-dagars mortalitet på grund av sjukdomar i cirkulationssystemet (ICD-10-CM kapitel IX) hos patienter med diabetes mellitus som besöker akutmottagningen är avgörande för att förbättra kliniska beslutsfattandet, eftersom dessa patienter har en hög mortalitetsrisk. För att identifiera bidragande riskfaktorer tillämpar vi modeller baserade på Gradient Boosting Decision Trees (GBDT), såsom XGBoost, LightGBM och CatBoost.

Denna studie utvecklar och jämför två prediktiva modeller. Modell 1 inkluderar realtidskliniska variabler som är tillgängliga under akutmottagningsbesöket, medan Modell 2 även innehåller ytterligare historiska diagnosvariabler som inte är tillgängliga i realtid på akutmottagningen.

För att hantera obalanserade klasser använder vi två metoder: en viktad metod med parametern scale_pos_weight i XGBoost och LightGBM samt auto_class_weights i CatBoost, och en översamplingsmetod med hjälp av SMOTE-NC. Hyperparametrarna optimeras med 5-faldig korsvalidering för att hitta de bästa inställningarna för varje GBDT-modell.

Resultaten visar att av alla GBDT-modeller med balanseringsmetoder presterar CatBoost med klassviktning bäst för både Modell 1 och Modell 2. Eftersom modellerna uppvisar liknande prediktiv prestanda tyder detta på att Modell 1 effektivt fångar de viktigaste riskfaktorerna.

SHAP-analys (SHapley Additive exPlanations) visar vidare att inkluderingen av ytterligare diagnosvariabler i Modell 2 påverkar individuella patientprediktioner. Även om dessa variabler inte förbättrar den övergripande modellnoggrannheten nämnvärt (enligt prestandamått från Modell 2 med CatBoost och klassviktning), tillför de värdefulla insikter om patientunika riskfaktorer, vilket understryker potentialen hos tolkbara maskininlärningsmodeller i personanpassad riskbedömning.