建立对临床人工智能的信任:一种基于Web的可解释性决策支持系统,用于慢性病

科学领域:

• 腎臟病學 (nephrology) 是一種醫學專業.
• 医疗信息学 医疗信息学
• 医疗保健中的人工智能

背景情况:

• 慢性病 (CKD) 影响全球人口的10%以上,需要早期诊断才能有效管理.
• 机器学习 (ML) 为推进医疗保健环境中的预测诊断提供了重大机会.

研究的目的:

• 开发和评估一个基于网络的临床决策支持系统 (CDSS),用于预测慢性病 (CKD).
• 整合可解释AI (XAI) 方法,包括SHAP和LIME,以提高模型的透明度和可信度.

主要方法:

• 评估多个ML分类器:KNN,随机森林,AdaBoost,XGBoost,CatBoost和额外树木用于CKD预测.
• 使用准确度,混矩阵统计和曲线下面面积 (AUC) 的性能评估.
• 开发一个实时基于Web的应用程序,用于实际实施.

主要成果:

• 在预测CKD时,AdaBoost分类器实现了完美的100%准确率.
• 除KNN外,所有评估的分类器都表现出完美的精度和灵敏度.
• 开发的CDSS使ML模型变得可操作,改善了医疗保健从业人员的可访问性.

结论:

• 该研究成功开发了一种基于ML的高精度和可解释的CDSS用于CKD预测.
• 可解释性AI (XAI) 集成增强了预测模型的临床实用性和可靠性.
• 实时应用程序有助于在临床实践中采用先进诊断.