完善机器学习模型来预测婴儿败血症:由以人为中心的设计方法支持的多学科团队
Dean Karavite1, Lusha Cao1, Mary C Harris2,3
1Department of Biomedical and Health Informatics, Children's Hospital of Philadelphia, Philadelphia, Pennsylvania, United States.
Applied clinical informatics
|October 10, 2025
概括
以人为中心的设计 (HCD) 方法可以通过在开发和测试期间识别异常来改进临床决策的机器学习模型. 将HCD应用于新生儿重症监护室的败血症检测模型,导致41个改善.
科学领域:
- 临床信息学 临床信息学
- 医疗保健中的机器学习
- 人与计算机的交互
背景情况:
- 以人为中心的设计 (HCD) 通常应用于机器学习中的用户界面和可视化.
- 它在核心模型开发和测试过程中的应用仍然未得到充分探索.
- 临床决策支持系统从强大可靠的机器学习模型中受益.
研究的目的:
- 展示HCD方法在设计和测试临床决策的机器学习模型中的潜力.
- 调查新生儿重症监护室 (NICU) 的败血症检测模型中的异常.
- 突出HCD的价值超越AI的面向用户的方面.
主要方法:
- 利用互动低保真模型与真实患者数据进行初始异常检测.
- 对31名NICU临床医生关于新生儿败血症的采访进行了定性分析.
- 雇佣了一个多学科团队 (新生儿学,信息学,数据科学,HCI) 进行审查和分析.
- 检查患者病历,模型特征和代码以验证发现的异常.
主要成果:
- 通过HCD促进的审查发现了特征包含/排除,特征重要性和模型稳定性的异常.
- 在电子健康记录中发现了数据输入错误,影响了模型输出.
- 导致败血症预测模型的41个具体变化和改进.
- 透露了通过HCD过程对模型增强的41个机会.
结论:
- HCD方法可以显著提高机器学习模型的开发和评估,而不仅仅是它们的显示.
- 将HCD集成到模型生命周期中可以提高准确性,可靠性和临床实用性.
- 多学科合作对于有效识别和解决医疗保健环境中机器学习模型性能问题的关键.


