提出了一种基于树的可解释的人工智能方法,用于预测心痛

科学领域:

• 心血管医学 心血管医学
• 医疗保健中的人工智能
• 机器学习用于疾病预测和预测

背景情况:

• 心血管疾病 (CVD) 是一个主要的全球健康问题,缺血性心脏病 (IHD) 导致显著的死亡率.
• 胸痛 (Angina pectoris,AP) 是心血管疾病的一个症状,表明心脏病发作和突然心脏病死亡的风险增加.
• 及时诊断和有效治疗AP对于患者的治疗结果至关重要.

研究的目的:

• 开发和评估一种新型的人工智能 (AI) 方法,专门用于预测女性的胸痛 (AP).
• 使用机器学习识别与AP预测相关的关键风险因素.
• 将开发的AI模型的性能与其他已建立的机器学习算法进行比较.

主要方法:

• 开发了一种新的AI方法,利用可解释的增强机器 (EBM),一种基于树的算法.
• EBM被应用于200名女性患者的数据集 (100名有AP,100名没有AP) 预测AP.
• 该EBM模型的性能与物流回归,CatBoost,XGBoost,AdaBoost和LightGBM进行了基准测试.

主要成果:

• 可解释增强机器 (EBM) 在预测女性AP方面表现出卓越的表现,准确度为0.925,Youden指数为0.960.
• 在准确性和预测平衡方面,EBM优于其他评估的AI方法.
• 来自EBM的全球和地方解释提供了关于特征重要性和个体患者分类的见解.

结论:

• 可解释的增强机器 (EBM) 是一种高度准确和可解释的AI工具,用于预测女性的胸痛 (AP).
• 该研究成功地确定了AP的重大风险因素,有助于个性化风险评估.
• 这种人工智能驱动的方法可以支持临床医生为经历AP的女性患者提供量身定制的,基于证据的护理.