推进个性化的医疗保健:利用可解释的AI进行BPPV风险评估

科学领域:

• 医疗信息学 医疗信息学
• 静脉管疾病 静脉管疾病
• 人工智能的人工智能

背景情况:

• 良性发性定位 (BPPV) 是一种影响老年人的流行前体障碍,导致头部运动的.
• 由于症状与其他疾病重叠,准确的BPPV诊断具有挑战性.
• 机器学习 (ML) 为提高诊断准确性和效率提供了一个潜在的解决方案.

研究的目的:

• 评估各种ML模型在预测BPPV方面的有效性.
• 使用可访问的临床数据开发BPPV的预测模型.
• 评估可解释的人工智能 (XAI) 在提高基于 ML 的 BPPV 诊断透明度和信任方面的作用.

主要方法:

• 在Froedtert医院的7760名患者的数据集上训练和评估了多个ML模型.
• 利用不同的人口和临床特征进行模型培训.
• 采用XAI技术来解释模型决策并提高临床可用性.

主要成果:

• 梯度提升实现了最高的精度 (85.422%),F1得分 (0.851) 和AUC (0.911).
• 确定了BPPV患病率的显著人口差异,白人/白人和非西班牙裔/拉丁裔个体的几率更高.
• XAI提供了可解释的见解,使模型预测与临床指标保持一致,并促进了信任.

结论:

• 通过XAI增强的ML模型可以准确和可解释地预测BPPV.
• XAI集成提高了BPPV诊断的ML预测的临床接受度和可用性.
• 建议进一步将这些ML模型纳入临床实践,以早期和准确地检测BPPV.