从临床记录中诊断贫血,利用树驱动和XAI增强的机器学习

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的机器学习
• 公共卫生研究 公共卫生研究

背景情况:

• 贫血是南亚国家的重大健康问题,影响儿童,妇女和青少年等弱势群体.
• 早期发现和有效治疗对于减少贫血患病率及其相关健康负担至关重要.

研究的目的:

• 开发一种自适应机器学习框架,使用临床记录中的血液学参数来预测贫血.
• 通过可解释的AI (XAI) 技术和强大的统计分析来增强贫血诊断.

主要方法:

• 来自孟加拉国一家医院的临床记录用于数据分析.
• 采用XAI增强的基于树的模型,包括决策树,梯度增强,随机森林和额外树木分类器.
• 使用统计方法进行数据预处理 (异常值管理,斜率,相关性) 和特征重要性评估,以及用于超参数调整的网格搜索.

主要成果:

• 精心调整的模型,特别是随机森林和梯度提升,在所有指标上都表现出了卓越的预测性能.
• "血红蛋白水平"被确定为通过SHAP分析诊断贫血的最重要的危险因素.
• 通过使用开源数据集验证了框架的优势,通过严格的评估技术显示了强大的性能和最小的p值.

结论:

• 开发的AI框架作为一种有效的贫血诊断决策支持系统.
• 具有SHAP解释的直观实时预测接口有助于临床采用和理解.
• 这种人工智能驱动的方法有可能为医疗保健自动化和改善脆弱地区的贫血管理做出重大贡献.