开发可解释的基于人工智能的机器学习模型,用于预测移植后30天再入院的情况
Nasser Alnazari1,2, Omar Ibrahim Alanazi3, Muath Owaidh Alosaimi3
1Hepatobiliary Science and Organ Transplant Center, King Abdulaziz Medical City, Ministry of National Guard Health Affairs, Riyadh, Saudi Arabia. Alnazarina@ngha.med.sa.
BMC nephrology
|April 23, 2025
概括
这项研究引入了一种可解释的机器学习模型,用于预测移植后30天的住院再入院风险. 该模型识别了关键预测因素,如住院时间和血压,有助于个性化患者护理.
科学领域:
- 移植医学 移植医学
- 医疗保健中的人工智能
- 预测分析 (Predictive Analytics) 是一种分析方法.
背景情况:
- 移植后的医院再入院会对患者的结果产生负面影响,并增加医疗保健成本.
- 现有的机器学习模型用于风险预测往往缺乏临床解释性,阻碍了采用.
- 需要可解释的AI (XAI) 来增强移植预测模型的临床实用性.
研究的目的:
- 开发和验证基于可解释的人工智能 (XAI) 的监督学习模型.
- 预测移植后的30天住院再接收风险.
- 为移植医生提供可解释的,针对捐赠者的风险分层工具.
主要方法:
- 对588名移植接受者的回顾性分析.
- 一个四个阶段的机器学习管道,包括数据处理,功能准备和使用分层5倍交叉验证的模型开发.
- 梯度增强算法选择了卓越的性能,使用SHAP和LIME实现了可解释性.
主要成果:
- 梯度增强模型实现了0.837的AUC,证明了强大的预测性能.
- 住院时间 (38.0%) 和移植后的缩血压 (30.0%) 是主要预测因素.
- 捐赠者类型影响的预测因素的重要性:移植前的BMI对已故的捐赠者更为重要,HbA1c和eGFR对活着的捐赠者更为重要.
结论:
- 基于XAI的模型有效地将预测准确性与对移植再录取风险的临床解释性相结合.
- 该模型的基于网络的实现有助于将其整合到临床工作流程中,以实现个性化的风险分层.
- 由于单个中心的数据和高比例的活体捐赠者,建议在多个中心进行外部验证.
