面向多种慢性疾病的可解释疾病监测系统
机器学习
2025-01-28 v1 人工智能
摘要
本研究针对医疗系统中的关键性空白，开发了一种临床上具有意义、实用且可解释的多慢性疾病监测系统，利用来自多家美国实践机构的常规电子健康记录（EHR）数据，集成CureMD的EMR/EHR系统。不同于传统系统——使用依赖实验室特征的AI模型——，本方法聚焦于可获取的常规数据，如病历、生命体征、诊断和药物，用于预判来年慢性疾病的风险。我们为每个慢性疾病训练了三个不同的模型：预测模型可在潜在诊断前的3、6和12个月预测疾病风险。我们开发了随机森林模型，采用F1分数和AUROC作为性能指标进行内部验证，并通过一组专家医生的评估来进一步评估其临床相关性。此外，我们讨论了将这些模型集成到实用EMR系统中的实现方法。除了使用Shapley属性和替代模型实现可解释性外，我们还引入了一种新的规则工程框架，以增强随机森林模型的内在可解释性。
引用
@article{arxiv.2501.15969,
title = {An Explainable Disease Surveillance System for Early Prediction of Multiple Chronic Diseases},
author = {Shaheer Ahmad Khan and Muhammad Usamah Shahid and Ahmad Abdullah and Ibrahim Hashmat and Muddassar Farooq},
journal= {arXiv preprint arXiv:2501.15969},
year = {2025}
}