一个可解释的人工智能框架,用于预测断奶结果,使用电阻断层扫描仪的特征
Pu Wang1, Teng-Hui Chen2, Mei-Yun Chang2
1Department of Biomedical Engineering, Fourth Military Medical University, Xi'an 710032, China; Tianjin International Joint Research Centre for Neural Engineering, and Tianjin Key Laboratory of Brain Science and Neural Engineering, Academy of Medical Engineering and Translational Medicine, Tianjin University, Tianjin 300072, China.
Computer methods and programs in biomedicine
|May 8, 2025
概括
本研究引入了一种机器学习模型,使用电阻断层扫描 (EIT) 来预测长期机械通风 (PMV) 断奶的结果. 基于EIT的模型提供了一种独立于呼吸机的方法,以改善临床决策.
科学领域:
- 关键护理医学 关键护理医学
- 医疗信息学 医疗信息学
- 生物医学工程 生物医学工程
背景情况:
- 长时间的机械通风 (PMV) 带来了风险,包括与呼吸机相关的肺炎和腹膜损伤,可能会使断奶复杂化.
- 目前的断奶结果预测方法可能由于依赖于通风机数据而受到限制.
研究的目的:
- 开发和验证一种机器学习 (ML) 框架,用于预测PMV患者的断奶结果.
- 使用电阻断层扫描 (EIT) 数据,独立于通风器参数,以提高预测准确度.
- 提高ML模型在临床环境中的可解释性.
主要方法:
- 分析了58名PMV患者的EIT数据.
- 用于ML模型开发的特征提取,标准化 (min-max) 和选择 (Boruta).
- 数据平衡 (SMOTE) 和10个ML算法的比较,通过Leave-One-Out交叉验证进行超参数调整.
- 使用SHAP和LIME方法进行模型解释性.
主要成果:
- 结合SMOTE平衡的ML模型显示,与不平衡数据相比,AUC,特异性和精度 (p < 0.05) 显著改善.
- 最优的模型XGBoost实现了高性能指标:AUC=0.862,灵敏度=0.923,特异性=0.800,精度=0.889,精度=0.923,f-score=0.923.
- 决策曲线分析和校准曲线证实了该模型的临床通用性和可靠性.
- SHAP和LIME提供了全球和个人样本级模型解释.
结论:
- 基于EIT的断奶结果预测模型提供了无呼吸器解决方案,在各种临床场景中扩大了适用性.
- 拟议的全面的ML框架,增强了SHAP和LIME,显著提高了断奶结果预测的解释性和临床实用性.
