糖尿病におけるインスリン滴定のための医療知識を組み込んだ説明可能なディープラーニングフレームワーク

科学分野:

• 医療における人工知能
• 臨床意思決定支援システム
• 糖尿病管理

背景:

• ディープラーニング（DL）モデルは糖尿病管理において可能性を示していますが、その「ブラックボックス」性質により透明性が欠けています。
• 既存の説明可能な人工知能（XAI）メソッドは、特徴相互作用と臨床ドメイン知識を見落としがちです。
• これは、複雑な医療環境におけるAIの信頼性と実際の応用の信頼性を制限します。

研究 の 目的:

• インスリン滴定における透明で信頼性の高いディープラーニングモデルのための、専門家主導のXAIフレームワークを開発すること。
• 特徴相互作用と臨床専門知識を組み込むことにより、現在のXAIメソッドの限界に対処すること。
• AI支援糖尿病管理の精度と信頼性を向上させること。

主な方法:

• 2型糖尿病（T2DM）の入院患者の2つの電子健康記録（EHR）コホートを利用しました。
• 特徴相互作用を捉えるためにShapley Taylor Interaction Index（STII）を使用した専門家主導のXAIフレームワークを導入しました。
• 医師参加型（DIL）プロセスを通じてモデルを反復的に改良し、臨床的制約をエンコードしました。

主要な成果:

• STII-DILモデルは、他のモデルと比較して、相互作用因子を効果的に探索し、不合理な説明を削減しました。
• XAIシステムの解釈は、専門の臨床医の推論と強く一致し、正確性が向上しました。
• AI支援インスリン滴定の精度は、若手臨床医にとって大幅に向上し、若手およびシニア臨床医の両方で自信の向上が見られました。

結論:

• T2DMにおけるインスリン滴定のための、事後XAIと専門知識を組み合わせた説明可能なディープラーニングフレームワークを発表しました。
• このフレームワークは、透明で専門家と一致した説明を提供し、意思決定の精度と信頼性を向上させます。
• このアプローチは、糖尿病ケアにおけるAIツールのより広範な臨床導入を促進する可能性があります。