一个混合的MCDM和机器学习框架,用于对孕妇的血病风险评估
Shefayatuj Johara Chowdhury1, Tanjim Mahmud2, Farzana Tasnim1
1Department of Computer Science and Engineering, International Islamic University Chittagong, Chittagong 4318, Bangladesh.
Diagnostics (Basel, Switzerland)
|November 27, 2025
概括
一个结合多标准决策 (MCDM) 和机器学习的新框架准确地评估了孕妇的血病风险. 这种方法有助于对这一关键的公共卫生问题进行早期检测和明智的孕产妇医疗保健决策.
科学领域:
- 计算生物学和生物信息学
- 医疗信息学 医疗信息学
- 公共卫生和流行病学
背景情况:
- 血病在孟加拉国是一个重大的公共卫生挑战,特别影响孕妇,因为早期查基础设施有限.
- 早期识别对于预防遗传传染和减轻医疗保健系统负担至关重要.
- 现有的诊断方法可能缺乏针对性干预的全面风险分层.
研究的目的:
- 通过整合多标准决策 (MCDM) 和机器学习 (ML) 来开发一种新的血病风险评估框架.
- 使用可解释的人工智能 (XAI) 技术来提高模型透明度和可信度.
- 为了实现早期检测和明智的决策,在母亲的健康护理的血病.
主要方法:
- 将MCDM方法 (AHP-TOPSIS) 与ML算法 (随机森林,XGBoost,CatBoost) 的整合.
- 纳入XAI技术 (SHAP,LIME) 来实现模型的可解释性.
- 利用现实世界的临床和人口统计数据 (16个特征,1200个样本),严格选择特征和风险分层.
主要成果:
- 使用AHP-TOPSIS优先功能的XGBoost分类器通过20倍的交叉验证实现了99.28%的准确性.
- 该模型有效地识别出血的血液学模式,作为辅助诊断工具.
- 可解释性分析证实了该模型的临床透明度和可靠性.
结论:
- 拟议的MCDM-ML框架显示了改善血病风险评估和母亲健康早期检测的巨大潜力.
- 这种概念验证系统证明了将MCDM,ML和XAI整合到thalassemia评估中的可行性.
- 在临床部署之前,建议进行进一步的外部验证和包括因果预测因子.
关键词:
这是一个AHP-TOPSISIS.在 CatBoost 中使用 CatBoost.在 LIME 时代,这就是 SHAP SHAP 的意思.生物医学信息学 生物医学信息学临床决策支持 临床决策支持可以解释的人工智能AI功能选择 功能选择机器学习是机器学习.孕产妇健康 孕产妇健康风险评估 风险评估 风险评估泰拉西米亚的预测

