使用可解释的人工智能来绘制健康脆弱性的地图:基于互动的拉丁美洲多个数据源的互动分析
Susana Alexandra Arias Tapia1,2,3,4, Andrea Suárez López5, Janio Jadán-Guerrero6
1Universidad Internacional de La Rioja, Campus Logroño, Logroño, Spain. susanaalexandra.arias-externo@unir.net.
本研究介绍了一种可解释的AI模型,用于绘制拉丁美洲的健康脆弱性. 它通过结合种族多样性,医疗保健准入和高度来确定高风险地区,帮助公共卫生规划.
科学领域:
- 公共卫生 公共卫生
- 人工智能的人工智能
- 遗传学 是一个遗传学.
背景情况:
- 拉丁美洲面临着受到种族异质,地理隔离和医疗保健不平等影响的健康风险.
- 现有的综合数据可能会掩盖局部的健康漏洞.
研究的目的:
- 开发和应用一种可解释的人工智能 (XAI) 模型,用于绘制和解释拉丁美洲的健康脆弱性.
- 用新型的相互作用指数量化复合结构和生物风险因素.
主要方法:
- 组合开放访问数据集:疾病流行率,医疗供应和遗传祖先资料.
- 引入了一个交互指数 (种族多样性 x 逆向医疗接入 x 高度).
- 应用监督学习 (SVM,梯度提升,逻辑回归),无监督的集群和可解释的分类树.
主要成果:
- 确定了具有高风险的地区,其特点是高种族多样性,低医疗保健准入和中高海拔地区.
- XAI模型有效地检测到可能隐藏在汇总数据中的"漏洞集群".
- 获得了SVM的0.596和梯度增强的0.571的F1得分.
结论:
- 开发的XAI方法提供了一个透明和可扩展的方法,用于公平的公共卫生规划.
- 这种方法可以揭示隐藏的健康漏洞,从而实现有针对性的干预.
- 这些发现支持数据驱动的策略,以改善多样化和地理隔离的人群的健康结果.
更多相关视频
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
相关概念视频
Steps in Outbreak Investigation
Causality in Epidemiology
Principles of Disease Surveillance
Levels of Use of a GIS
Statistical Methods for Analyzing Epidemiological Data
Factors Affecting Illness
For instance, risk factors are connected to illness,...
