引入FREM_ML:一种决策支持方法,用于自动识别高迫在眉的骨折风险的个人

科学领域:

• 医疗保健中的人工智能
• 骨质疏松症和骨折风险预测预测
• 临床决策支持系统 临床决策支持系统

背景情况:

• 骨折风险评估模型 (FREM) 用于评估骨折风险.
• 提高骨折风险预测模型的准确性和可解释性对于及时干预至关重要.
• 可解释的人工智能 (XAI) 有潜力提高预测模型的性能和临床实用性.

研究的目的:

• 通过可解释的人工智能 (XAI) 增强丹麦骨折风险评估模型 (FREM).
• 改进对大骨质疏松性骨折 (MOFs) 一年风险的预测.
• 为了利用XAI进行更好的临床解释和转诊指导.

主要方法:

• 一个DART (Dropouts满足多重附加回归树) 增强算法被用来开发FREM.
• 该模型在一个大规模的丹麦人口登记册 (N=2,438,140) 上进行了训练和验证,年龄≥45岁.
• 预测因素包括15年期间的诊断,药物数据和并发症标志物; XAI技术用于评估.

主要成果:

• FREM_ML实现了0.77的曲线下的面积 (AUC),超过了以前的FREM版本.
• 关键预测因素包括年龄和性别,先进的功能工程和时间数据改善了性能.
• 可解释的人工智能 (沙普利添加式解释) 促进了风险解释,尽管表现因人口统计学而异.

结论:

• 增强的FREM_ML模型,由增强算法和XAI提供动力,显示作为临床决策支持工具的承诺.
• 这种方法可以帮助医生识别具有高迫在眉的骨折风险的个人进行进一步评估 (例如,DXA扫描).
• 整合XAI增强了预测模型在常规临床实践中的实际适用性.