使用可解释的人工智能探索前素和常规实验室参数之间的相关性的新方法
Jae-Seung Jeong1, Tak Ho Kang2, Hyunsu Ju3
1Division of Artificial Intelligence Convergence Engineering, Sahmyook University, South Korea.
Heliyon
|July 19, 2024
概括
这项研究使用机器学习和可解释的人工智能来揭示普雷塞辛如何与常规实验室测试有关,以诊断败血症. 研究结果揭示了一些关键参数,这些参数显著提高了败血症预测的准确性.
科学领域:
- 生物标志物研究 生物标志物研究
- 医疗信息学 医疗信息学
- 人工智能在医学中的应用
背景情况:
- 前素是一种重要的败血症生物标志物,但其与常规实验室和人口统计数据的相关性尚不清楚.
- 了解这些关系对于改善败血症诊断和管理至关重要.
研究的目的:
- 通过机器学习 (ML) 和可解释AI (XAI) 来研究普雷塞普辛与常规实验室参数之间的关系.
- 确定提高毒症预测准确性的关键参数.
主要方法:
- 使用先进的ML分类器进行数据分析和突出相互关系.
- 利用XAI来确保透明度,并确定分类的关键参数.
- 使用极端梯度提升 (XGBoost) 管理丢失的数据以保持数据完整性.
主要成果:
- 在败血症患者中实现了高预测准确度,ROC AUC为0.97,准确度为0.94.
- XAI成功地确定了关键参数,大大提高了预测准确度.
- XGBoost有效处理丢失的数据,保持结果的准确性和相关性.
结论:
- ML和XAI的整合为与常规临床数据的普雷塞普辛关联提供了新的见解.
- 这种方法增强了败血症患者的诊断和治疗策略.
- 将传统方法与先进分析相结合,为医学研究提供了巨大的潜力.
