可解释的人工智能方法用于使用临床标志物的COVID-19预后预测
Krishnaraj Chadaga1, Srikanth Prabhu2, Niranjana Sampathila3
1Department of Computer Science and Engineering, Manipal Institute of Technology, Manipal Academy of Higher Education, Manipal, Karnataka, India. krishnarajchadaga18@gmail.com.
机器学习模型使用临床标志物准确预测COVID-19的严重程度,帮助对脆弱患者进行早期干预. 可解释的人工智能识别了诸如c-反应蛋白和D-Dimer等关键指标,以获得更好的预后.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 传染病建模 传染病建模
背景情况:
- 尽管接种了疫苗,但COVID-19大流行造成了显著的死亡率,某些人口仍然很容易受到伤害.
- 早期识别严重的COVID-19病例对于及时干预和改善患者结果至关重要.
- 临床和实验室标志物为预测疾病严重程度提供了潜在的可能性.
研究的目的:
- 开发和评估机器学习和深度学习模型,用于早期预测COVID-19严重程度.
- 确定与严重的COVID-19结局相关的最重要的临床和实验室标记.
- 通过可解释的人工智能 (XAI) 技术提高模型的解释性.
主要方法:
- 从两个医院收集了COVID-19患者数据.
- 采用以自然为灵感的算法进行特征选择,以确定关键的预测标记.
- 训练并测试了多个机器学习分类器来预测严重程度.
- 利用五种可解释的人工智能 (XAI) 技术来解释模型预测.
主要成果:
- 在预测COVID-19严重程度方面达到95%的最大测试准确率.
- XAI分析强调了c反应蛋白,基,淋巴细胞,白蛋白,D-Dimer和中性粒细胞作为关键的预测标志物.
- 开发的模型在识别患有严重疾病风险的患者方面表现出高效.
结论:
- 机器学习模型可以有效地利用临床和实验室数据预测COVID-19的严重程度.
- 可解释的人工智能提供了对影响严重程度预测的关键因素的见解.
- 拟议的计算机辅助诊断方法可以支持临床决策,并减轻医疗保健系统的负担.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
08:20Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
相关概念视频
Steps in Outbreak Investigation
Cancer Survival Analysis
Statistical Software for Data Analysis and Clinical Trials
