为体重管理专家提供可解释的人工智能软件工具 (PRIMO):混合方法研究研究

科学领域:

• 机器学习在医疗保健中的应用.
• 可解释的人工智能 (XAI)
• 行为科学和干预的有效性.

背景情况:

• 机器学习 (ML) 模型可以预测减肥干预的成功,从而实现个性化治疗调整.
• 然而,缺乏信任和理解阻碍了体重管理专家采用ML.
• 可解释的人工智能 (XAI) 为弥合这一差距提供了一个潜在的解决方案.

研究的目的:

• 根据早期干预数据,开发和评估一种ML模型,以预测基于早期干预数据的6个月减肥成功.
• 评估基于ML的解释是否改善了体重管理专家对模型预测的同意.
• 确定影响专家对ML模型的理解和信任的因素,以预测体重减轻.

主要方法:

• 一个随机森林 (RF) ML模型在6个月的减肥干预中受训了419名参与者的数据.
• 一个交互式XAI工具PRIMO被开发来解释RF模型的预测.
• 14名权重管理专家评估了使用PRIMO之前和之后的假设案例,并将其与其他可解释性方法进行了比较.

主要成果:

• 射频模型在预测减肥成功的准确率达到了81%.
• 专家在使用PRIMO时与其他方法相比,与ML预测的一致性显著更高 (P=.02).
• 面试显示了对多种解释类型,不确定性可视化和模型性能指标的偏好.

结论:

• 像PRIMO这样的可解释的ML模型可以增加体重管理专家对早期体重减轻成功预测的信任和同意.
• 这种增强的信任可以促进干预措施的动态修改,以提高有效性.
• 该研究提供了在体重管理环境中提高ML模型可理解性和可信度的方法.