解释机器学习模型对于糖尿病血糖预测的重要性:使用SHAP的分析

科学领域:

• 生物医学工程 生物医学工程
• 医疗保健中的人工智能
• 计算生理学计算生理学

背景情况:

• 机器学习 (ML) 模型越来越多地用于对复杂动态的生物医学数据分析.
• 在1型糖尿病 (T1D) 管理中,ML帮助决策支持系统 (DSS) 预测葡萄糖水平,并建议诸如校正胰岛素囊 (CIB) 等干预措施.
• 模型选择传统上优先考虑预测准确性,但生理学健全性和可解释性对于患者安全至关重要.

研究的目的:

• 强调黑子ML模型的可解释性工具在T1D管理中的重要性.
• 介绍一个针对CIB建议的DSS选择最佳预测算法的案例研究.
• 基于生理学健全性和对血糖控制的影响来评估ML模型,而不仅仅是预测准确性.

主要方法:

• 使用两个长期短期记忆 (LSTM) 神经网络 (p-LSTM和np-LSTM) 以可比的预测准确度对真实患者数据进行回顾性分析.
• 应用SHAP (SHapley添加式解释),一个可解释的AI工具,来解释LSTM模型的输出.
• 将选择的LSTM模型集成到DSS中,以评估其对患者血糖控制的影响.

主要成果:

• 两种LSTM模型,p-LSTM和np-LSTM,表现出类似的预测准确性,但导致不同的治疗决定.
• SHAP分析显示,只有p-LSTM学习了输入和葡萄糖预测之间的生理相关关系.
• 当集成到DSS中时,只有p-LSTM模型证明了患者血糖控制的改善.

结论:

• 通过可解释的人工智能评估的生理学健全性是选择用于T1D管理的ML模型的关键因素,与预测准确性一起.
• 由于其生理学解释性,p-LSTM模型在T1D中更适合DSS应用,从而导致更好的临床结果.
• 可解释的人工智能工具对于在基于 ML 驱动的医疗保健决策支持系统中确保患者安全和有效性至关重要.