在艾滋病毒同时感染的患者中,通过识别VL复发的风险因素来进行AI驱动的分析
Abhishek Kumar1, Sanchita Mondal1, Debnarayan Khatua2
1School of Medical Science and Technology, IIT Kharagpur, Kharagpur, West Bengal, 721302, India.
Scientific reports
|July 2, 2025
概括
这项研究使用可解释的人工智能来预测内脏莱什曼病 (VL) 复发,确定艾滋病毒联合感染是关键风险因素. 这种方法有助于对这种被忽视的疾病的患者监测和治疗策略.
科学领域:
- 医疗信息学 医疗信息学
- 机器学习在公共卫生中的应用
- 热带疾病 热带疾病
背景情况:
- 内脏莱什曼病 (VL) 或卡拉-阿扎尔是一种被忽视的热带疾病,由于复发和治疗失败而导致显著的发病率和死亡率.
- 有效的患者监测和治疗策略对于管理VL至关重要,特别是在复发的情况下.
研究的目的:
- 开发和验证一种可解释的机器学习 (XAI) 模型,用于预测VL复发.
- 用可解释的AI方法识别与VL复发相关的关键风险因素.
主要方法:
- 包括随机生存森林 (RSF),生存支持矢量机器 (SSVM) 和极端梯度增强 (XGBoost) 在内的生存机器学习模型应用于患者数据.
- 使用夏普利添加式拓展 (SHAP) 方法来提高模型的解释性,并确定特征的重要性.
- 使用统计测试 (例如,奇平方) 来确认显著的风险因素.
主要成果:
- 该RSF模型的C指数为0.85,超过了传统的考克斯比例危险 (CPH) 模型 (C指数为0.8).
- SHAP依赖图提供了对影响VL复发的因素的视觉洞察.
- 艾滋病毒同时感染被确定为VL复发的统计学上显著的风险因素 (HR=3.92).
结论:
- 可解释的人工智能为预测VL复发和为临床决策提供信息提供了一个有希望的方法.
- 识别关键的风险因素,如艾滋病毒的同时感染,可以帮助开发有针对性的干预措施,以防止VL复发.
- 开发的XAI模型可以帮助医疗保健专业人员监测患者并优化内脏莱什曼病的治疗策略.
