使用适应性深度学习 (EMBRACE) 进行可解释的多任务倦怠预测,用于住院医生:算法开发和验证研究
Saima Alam1, Mohammad Arif Ul Alam2,3,4
1Merrimack Health Methuen Hospital, Methuen, MA, United States.
JMIR AI
|January 8, 2026
概括
这项研究介绍了EMBRACE,一种新的AI框架,使用可穿戴传感器来预测和解释住院医生的倦怠. 它为早期干预和改善医生福祉提供了可操作的见解.
科学领域:
- 医疗保健中的机器学习
- 可穿戴式传感器技术
- 医生倦怠研究研究 医生倦怠研究
背景情况:
- 医疗人员面临高压力和倦怠,因为要求繁忙的时间表.
- 现有的机器学习模型缺乏临床解释.
- 可穿戴式传感器提供了客观预测倦怠的潜力.
研究的目的:
- 为了介绍EMBRACE,一个可解释的多任务倦怠预测框架.
- 用自适应深度学习来预测和解释住院医生未来的倦怠.
- 通过可解释AI (XAI) 技术增强临床信任.
主要方法:
- 开发了一个自适应式多任务深度学习框架 (EMBRACE).
- 利用可穿戴传感器数据来预测活动和倦怠程度.
- 集成的SHAP (沙普利添加式解释) 为模型的可解释性.
- 在三个数据集上验证,包括专有住院医生数据集.
主要成果:
- 在数据集中预测活动,倦怠程度和调查答案方面,EMBRACE 实现了高准确度.
- SHAP分析确定了关键的倦怠预测因素,如心率变化和久坐行为.
- 91%的参与者认为特征重要性总结令人满意.
结论:
- EMBRACE为早期倦怠检测提供了一种临床上可解释和可操作的解决方案.
- 该框架在各种数据集中显示出强度和通用性.
- 未来的工作包括扩展模型并评估对医生福祉的长期影响.
