SBC-SHAP:提高了用于败血症预测的机器学习算法的可访问性和可解释性

科学领域:

• 医疗信息学 医疗信息学
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 败血症是全球主要的死亡原因,需要早期检测才能有效治疗.
• 完整血清 (CBC) 参数提供了早期败血症指标的潜力.
• 现有的机器学习 (ML) 方法用于败血症预测缺乏可解释性和临床可访问性.

研究的目的:

• 开发一种可解释和可访问的ML模型,用于使用CBC数据预测早期的败血症.
• 通过整合时间序列信息和参考比率来提高ML模型的性能.
• 为临床部署创建一个用户友好的Web应用程序.

主要方法:

• 使用基于图形的ML框架来处理时间序列CBC数据.
• 评估了将比率与健康参考值相对应的影响.
• 开发了一个网页应用程序SBC-SHAP,用于可视化败血症风险和模型解释.

主要成果:

• 这种新的方法提高了血预测的灵敏度在80%的特异性,从78.2%提高到82.9% (内部) 和65.4%提高到73.4% (外部).
• 该方法的性能增长是一致的,无论具体比率计算如何.
• 该SBC-SHAP网络应用程序提供了基于ML的败血症风险评估的可解释的见解.

结论:

• 开发的工具提高了ML模型的可解释性和可访问性,以预测败血症.
• SBC-SHAP促进了先进的ML技术的临床采用,以治疗败血症.
• 在SBC-SHAP的开源性质促进进一步的研究和开发.