临床风险预测中可解释性与可靠性的新途径:急性冠脉综合征场景
机器学习
2021-10-19 v1 应用统计
统计方法学
摘要
我们旨在创建一种结合风险评分与机器学习模型最佳特性的新型风险评估方法。更具体地,我们目标是开发一种除良好性能外,还为每位患者提供个性化模型与结果、呈现高可解释性、并纳入通常不具备的预测可靠性估计的方法。通过在同一方法中结合这些特征,我们期望能提升医师在日常工作中使用该工具的信心。为实现上述目标,我们开发了三步法:通过对危险因素二值化创建若干规则;用机器学习分类器训练这些规则以预测每位患者对各规则的接受度(规则正确的概率);将该信息组合用于计算死亡风险及该预测的可靠性。该方法应用于因任意类型急性冠脉综合征(ACS)入院的患者数据集,以评估30天全因死亡风险。性能与state-of-the-art方法比较:逻辑回归(LR)、人工神经网络(ANN)和临床风险评分模型(全球急性冠脉事件注册-GRACE)。所提方法测试结果与标准LR相同,但提供 superior 的可解释性与个性化;也显著优于GRACE风险模型与标准ANN模型。校准曲线也表明所得模型泛化能力很好,接近理想曲线。最后,个体预测的可靠性估计与误分类率高度相关。这些性质也可能有益于其他临床场景。[删节]
引用
@article{arxiv.2110.08331,
title = {A New Approach for Interpretability and Reliability in Clinical Risk Prediction: Acute Coronary Syndrome Scenario},
author = {Francisco Valente and Jorge Henriques and Simão Paredes and Teresa Rocha and Paulo de Carvalho and João Morais},
journal= {arXiv preprint arXiv:2110.08331},
year = {2021}
}
备注
Accepted for publication in the Artificial Intelligence in Medicine journal. Abstract abridged to respect the arXiv's characters limit