AI-RiskX:一种可解释的深度学习方法,用于在流行病期间识别有风险的患者

科学领域:

• 公共卫生 公共卫生
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 流行病给医疗保健系统带来压力,需要准确识别高风险个体.
• 现有的人工智能模型缺乏解释性,并且无法解释患者的各种脆弱性.

研究的目的:

• 开发一种可解释的深度学习模型 (AI-RiskX),用于在流行病期间识别有风险的患者.
• 加强对COVID-19和相关感染的及时干预和资源配置.

主要方法:

• 整合了五个公共卫生数据集 (喘,糖尿病,心脏,脏,甲状腺).
• 使用合成少数人过量采样技术 (SMOTE) 进行类平衡.
• 采用混合卷积神经网络-长期短期记忆 (CNN-LSTM) 模型.
• 集成的SHAP用于模型解释性和基于规则的分层模块.

主要成果:

• 在分类有风险的患者中获得了98.78%的准确性.
• 提供了个人和人口层面的解释性.
• 成功地按年龄和妊娠状况对患者进行了分层.

结论:

• AI-RiskX为公平的患者分类提供了一个可扩展和可解释的解决方案.
• 该模型支持在公共卫生紧急情况下的关键决策.
• 通过整合多样化的数据和优先考虑可解释性来解决以前人工智能模型的局限性.