可解释的临床决策应用程序用于基于机器学习的静脉动脉动脉的病因诊断
Min Wang1, Zhao Hu2, Ziyang Wang1
1Institute of Medical Information/Library, Chinese Academy of Medical Sciences & Peking Union Medical College, Beijing 100020, China.
机器学习使用患者数据准确诊断心室动脉障碍 (VT) 的原因. 可解释的人工智能模型,如XGBoost,有助于临床决策,医生更喜欢SHAP和决策树.
科学领域:
- 心脏病学 心脏病学
- 人工智能的人工智能
- 医疗信息学 医疗信息学
背景情况:
- 风性心力衰竭 (VT) 的病因包括缺血性心脏病,非缺血性结构性心脏病和异常原因.
- 机器学习 (ML) 用于静脉瘤病因诊断的应用有限,用于临床决策的可解释方法仍在开发中.
研究的目的:
- 开发一个ML模型来诊断静脉瘤的原因.
- 将可解释的ML模型结果与专家知识进行比较.
- 为临床决策制定评估协议.
主要方法:
- 利用了福井医院心律失常中心1305名VT患者 (2013年1月至2023年9月) 的数据.
- 收集的临床数据:人口统计,病史,生命体征,心声,实验室结果.
- 评估了用于临床决策的四种可解释的ML方法.
主要成果:
- 在静脉瘤病因诊断方面,XGBoost模型实现了高性能 (精度为88.4%,回忆为88.5%,F1为88.4%).
- 可解释方法在可视化,可用性,适用性和对专家解释的效率方面进行了评估.
结论:
- XGBoost模型显示了在静脉瘤病因诊断方面卓越的性能.
- 临床医生喜欢SHAP和决策树可解释方法作为决策支持.
更多相关视频
06:07Analyzing Long-Term Electrocardiography Recordings to Detect Arrhythmias in Mice
Published on: May 23, 2021
06:57Ablation of Ischemic Ventricular Tachycardia Using a Multipolar Catheter and 3-dimensional Mapping System for High-density Electro-anatomical Reconstruction
Published on: January 31, 2019
相关概念视频
Dysrhythmias III: Characteristics of Dysrhythmias
Dysrhythmias V: Evaluating Dysrhythmias
Dysrhythmias II: Classification of Tachyarrhythmias
Mechanism of Cardiac Arrhythmias
Electrocardiogram
Three major waveforms are present in a typical ECG recording: the P wave, the QRS complex, and...
ECG Interpretation of Arrhythmias I: Sinus Arrhythmias
Types of Arrhythmias
Sinus Node Arrhythmias
Sinus Bradycardia: Originating from the sinoatrial (SA) node, sinus bradycardia involves slower impulses, resulting in a heart rate of less than 60 beats per minute (bpm). Causes include sleep, vagal stimulation, beta-blockers, hypothyroidism,...
