面向疾病因果路径分析与决策支持的城市人群健康观测站：其可解释人工智能模型
人工智能
2022-08-09 v1 计算机与社会
信息检索
机器学习
摘要
本研究旨在：(1) 通过引入语义层扩展我们现有的城市人群健康观测站（UPHO）系统；(2) 协同运用机器学习与语义/逻辑推断，提供可度量证据并检测导致不良健康结局的路径；(3) 提供临床用例场景并设计案例研究，以识别与肥胖患病率相关的社会环境因素；(4) 设计一个仪表盘，利用所提供的场景展示 UPHO 在肥胖监测中的应用。系统设计包含一个知识图谱生成组件，用于从相关兴趣领域提供上下文知识。该系统利用现有本体中的概念、属性和公理来运用语义。此外，我们使用公开的美国疾病控制与预防中心 500 Cities 数据集进行多变量分析。一种协同运用机器学习与语义/逻辑推断的方法揭示了导致疾病的路径。在本研究中，我们展示了 2 个临床案例场景以及一个概念验证原型仪表盘设计，该仪表盘提供警告、建议和解释，并展示了 UPHO 在肥胖监测、治疗与预防中的应用。在使用支持向量回归机器学习模型探索案例场景时，我们发现贫困、缺乏体力活动、教育程度和失业是田纳西州孟菲斯市肥胖最重要的预测变量。UPHO 的应用有助于减少健康差异并改善城市人群健康。扩展后的 UPHO 功能引入了可解释知识的额外层级，以增强医生、研究人员和卫生官员在患者和社区层面的知情决策。
引用
@article{arxiv.2208.04144,
title = {An Urban Population Health Observatory for Disease Causal Pathway Analysis and Decision Support: Underlying Explainable Artificial Intelligence Model},
author = {Whitney S Brakefield and Nariman Ammar and Arash Shaban-Nejad},
journal= {arXiv preprint arXiv:2208.04144},
year = {2022}
}
备注
15 Pages, 5 figures, and 3 tables