一个基于机器学习的新可解释的健康衰老规模

科学领域:

• 老年学和人工智能的人工智能
• 计算社会科学 计算社会科学

背景情况:

• 老龄化带来了重大的社会挑战,需要准确的方法来评估个体老龄化过程.
• 评估健康老龄化对于个性化推和长期护理资格至关重要.
• 机器学习 (ML) 为老龄化评估提供了潜力,但"黑子"模型由于缺乏透明度而面临用户不情愿.

研究的目的:

• 开发一个可解释的基于ML的健康老龄化尺度.
• 为非正式照顾者和医疗保健提供者提供透明和可理解的结果.
• 将专家知识整合到人工智能驱动的决策支持系统中.

主要方法:

• 通过个人实地采访,利用了696名老年人的数据.
• 采用解释因素分析来确定健康衰老的关键方面.
• 应用了各种ML算法 (逻辑回归,决策树,随机森林,KNN,SVM,XGBoost) 并使用AUC OvO,AUC OvR,F1,精度和回忆来评估性能.
• 综合SHAP (夏普利添加式解释) 模型可解释性.

主要成果:

• 人类健康衰老的注释成功地使用ML模型.
• XGBoost表现出卓越的性能,实现了0.92的宏观平均AUC OvO和0.76的宏观平均F1.
• SHAP分析提供了局部解释,详细说明了特征对个体预测的影响.

结论:

• 可解释的ML预测是迈向对老龄化决策支持系统的实际实施的一步.
• 整合可解释的人工智能可以减少用户对医疗保健的不情愿,为改善医疗保健提供可靠的见解.
• 该研究成功地将老年学专业知识整合到ML模型开发过程中.