基于真实世界的数据,使用可解释的机器学习模型对川崎病进行智能诊断
Yifan Duan1, Ruiqi Wang2, Zhilin Huang3
1Institute of Medical Information, Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing 100020, PR China.
概括
可解释机器学习模型,如可解释增强机器 (EBM),显示出使用电子健康记录诊断川崎病的前景. 发现的关键预测因素包括血小板分布宽度和红细胞沉率.
科学领域:
- 人工智能在医学中的应用
- 儿童心脏病学 儿童心脏病学
- 机器学习用于医疗保健
背景情况:
- 川崎病 (KD) 是一种关键的儿科疾病,需要早期诊断.
- 正确的KD诊断是具有挑战性的,因为症状与其他发烧性疾病重叠.
- 利用电子病历 (EMR) 数据可以提高诊断能力.
研究的目的:
- 开发可解释的机器学习 (ML) 模型用于使用现实世界EMR数据进行KD诊断.
- 识别和优先考虑有助于KD诊断的重大风险因素.
- 在准确性和可解释性方面比较各种ML模型的性能.
主要方法:
- 从电子医疗记录分析了4087名儿科患者的队列.
- 开发了多种ML模型,包括轻度梯度增强机,可解释的增强机 (EBM) 和梯度增强分类器 (GBC).
- 使用接收器操作特征曲线,校准曲线和可解释性技术 (SHAP,LIME) 评估模型性能.
主要成果:
- 可解释式提升机 (EBM) 模型显示出高的诊断性能和卓越的解释性.
- EBM实现了0.97的曲线下的面积,与梯度增强分类器 (GBC) 相似.
- 血小板分布宽度,总蛋白质和红细胞沉积率被确定为KD诊断的关键预测因素.
结论:
- 可解释的ML模型,特别是EBM,在KD诊断中比传统模型具有优势.
- 该研究强调了人工智能在改善川崎病的早期检测和管理方面的潜力.
- 人工智能工具的临床验证和整合对于在儿科护理中的现实应用至关重要.
