在泰国使用人工智能和SHAP的慢性病风险预测模型
Ming-Che Tsai1,2, Bannakij Lojanapiwat3, Chi-Chang Chang4,5
1Department of Emergency Medicine, School of Medicine, Chung Shan Medical University, Taichung 40201, Taiwan.
Diagnostics (Basel, Switzerland)
|December 9, 2023
概括
一个新的机器学习模型准确地预测了泰国的慢性病 (CKD) 风险,识别了血清白蛋白和血液尿素等关键因素,以帮助个性化治疗策略.
科学领域:
- 腎臟病學 (nephrology) 是一種醫學.
- 数据科学数据科学数据科学
- 公共卫生 公共卫生
背景情况:
- 慢性病 (CKD) 在泰国是一个重大的健康负担,影响17.5%的人口.
- 晚期CKD和血液透析的需要是相当大的,突出了有效的管理和早期检测的需要.
研究的目的:
- 开发和验证一种针对泰国人口的慢性病 (CKD) 风险预测模型.
- 确定导致CKD风险的关键独立变量.
主要方法:
- 利用了17100名患者的数据来选14个独立的风险因素.
- 采用机器学习算法,包括IBK,随机树,决策表,J48和随机森林,使用合成少数超标采样技术 (SMOTE) 来解决数据不平衡.
- 应用了夏普利添加剂解释 (SHAP) 来对关键风险因素进行深入分析.
主要成果:
- 随机森林模型实现了92.1%的高准确率.
- 确定的主要预测因素包括血清白蛋白,血液尿素,年龄,直接胆红素和葡萄糖.
- SHAP分析提供了对单个和双属性风险因素的重要性的见解.
结论:
- 开发的机器学习模型为泰国CKD风险预测提供了可靠的工具.
- 鉴定到的风险因素可以为CKD的个性化治疗和预防策略的制定提供信息.
- 这种方法提高了对多因素CKD病因和管理的理解.
