时间序列电子健康记录的可解释深度学习模型:在重症监护中妄想预测的案例研究
Seyedmostafa Sheikhalishahi1, Anirban Bhattacharyya2, Leo Anthony Celi3
1Fondazione Bruno Kessler Research Institute, Trento, Italy; University of Trento, Italy.
Artificial intelligence in medicine
|October 2, 2023
概括
我们开发了一个新的可解释的深度学习模型,双重自我注意架构 (DSA),以改善重症监护室 (ICU) 的临床决策. 这种模型增强了对预测的理解,而不会影响准确度.
科学领域:
- 临床信息学 临床信息学
- 人工智能在医学中的应用
- 医疗保健 机器学习 机器学习
背景情况:
- 深度学习 (DL) 模型越来越多地用于临床环境,如重症监护室 (ICU).
- 对DL模型结果的解释性对于临床采用至关重要.
- 现有的方法往往缺乏预先解释性或时间变量重要性洞察力.
研究的目的:
- 为临床预测提出一个前期的,可解释的神经网络模型.
- 通过提高可解释性,加强DL模型在临床实践中的采用.
- 为了捕捉输入变量的一般和时间变化的重要性.
主要方法:
- 开发了一种新的双重自我注意 (DSA) 架构,结合了自我注意和有效的注意机制.
- 在两个现实世界的临床数据集上评估模型,以预测妄想发作 (12小时和48小时的提前).
- 将DSA的描述性表现与三个后期可解释的算法和临床意见进行了比较.
主要成果:
- DSA有效地捕捉了变量的重要性,包括时间变化,超越或匹配现有方法.
- 该模型确定了与临床专业知识和后期分析一致的关键变量.
- 在保持预测准确性的同时,DSA表现出更好的描述性表现.
结论:
- 双重自我注意 (DSA) 架构为临床环境中的可解释深度学习提供了一个有前途的解决方案.
- 通过考虑变量和时间依赖,DSA增强了对模型预测的理解.
- 这种方法促进了人们对人工智能的信任和采用在重症监护室.
