可解释的机器学习用于预测转化为神经疾病:来自52,939份医疗记录的结果

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 神经系统疾病对健康造成重大负担.
• 早期预测和风险分层对于有效管理至关重要.
• 电子病历 (EMR) 提供了丰富的纵向患者数据来源.

研究的目的:

• 评估可解释的机器学习模型对预测神经疾病转换的有用性.
• 从EMR数据中确定神经疾病发病的关键预测因素.
• 评估预测模型的透明度和公平性.

主要方法:

• 使用了阿尔茨海默病,ALS,MS或帕金森病患者的回顾性数据集和匹配的对照.
• 极端渐变增强模型是为了预测诊断前多个时间点的疾病转化而开发的.
• 模型性能使用接收器操作特征曲线 (AUC) 下的面积来评估.

主要成果:

• 预测模型在疾病和时间点上显示出不同的AUC,在多发性硬化症方面表现强 (例如,0.922在0个月).
• 阿尔茨海默病,ALS和帕金森病的模型也显示出显著的预测能力,特别是在更接近诊断时.
• 确定的主要预测因素包括患者报告的结果,睡眠,跌倒,并发症和纵向健康变化.

结论:

• 电脑脑回忆录包含神经系统疾病风险分层的有价值的潜在信息.
• 可解释机器学习可以有效地利用EMR数据进行疾病预测.
• 识别特定的患者数据点可以提高早期检测和干预策略.