关于COVID-19医疗报告的数据分析和机器学习模型与XAI进行了改进,以提高可用性

科学领域:

• 医疗信息学 医疗信息学
• 数据科学数据科学数据科学
• 机器学习 机器学习

背景情况:

• 有效的数据分析和机器学习 (ML) 解决方案对于医学决策和了解COVID-19至关重要.
• 分析电子病历 (EMR) 可以提供有关疾病进展和患者结果的宝贵见解.

研究的目的:

• 在COVID-19的背景下,确定有效的数据分析和ML解决方案,用于医疗决策.
• 分析影响COVID-19疾病严重程度和死亡风险的因素.
• 开发和验证COVID-19严重程度和死亡率的预测模型.

主要方法:

• 利用了各种ML模型,包括LightGBM,XGBoost,随机森林,SVM和从4711名COVID-19患者的EMR数据上的后勤回归.
• 采用统计方法,LASSO回归和SHAP值来选择特征和模型可解释性.
• 使用精度,F1得分和ROC AUC.评估模型性能. 在外部队列上验证了死亡率预测模型.

主要成果:

• 轻GBM模型在预测COVID-19严重程度 (89.5%准确度) 和死亡风险 (83.7%ROC AUC) 中表现出卓越的表现.
• 通过特征重要性分析确定了影响严重程度和死亡率的关键因素.
• 由医学专家开发并测试了集成简化预测模型的基于Web的应用程序,实现了73.3%的整体预测准确度.

结论:

• 机器学习,特别是LightGBM,为预测COVID-19严重程度和死亡风险提供了有效的解决方案.
• 开发的预测模型和Web应用程序可以支持临床决策,并提高对COVID-19的理解.
• 可解释的人工智能方法为推动疾病结果的因素提供了洞察力.