利用干预预测提升临床风险评分的可解释性
机器学习
2022-07-08 v1 人工智能
摘要
机器学习系统在通过风险评分预测患者不良事件方面展现出巨大潜力。然而，这些风险评分隐含地编码了关于患者可能接受的未来干预的假设，而这些假设基于训练数据中存在的干预策略。缺乏这一重要背景，此类系统的预测对临床医生而言可解释性较低。我们提出了一种干预策略与不良事件风险的联合模型，作为明确传达模型对未来干预假设的手段。我们在真实世界的去标识化 ICU 数据集 MIMIC-III 上开发了这样一个干预策略模型，并讨论了一些凸显该方法实用性的用例。我们展示了如何将典型风险评分（如死亡率可能性）与未来干预概率评分相结合，从而产生更具可解释性的临床预测。
引用
@article{arxiv.2207.02941,
title = {Boosting the interpretability of clinical risk scores with intervention predictions},
author = {Eric Loreaux and Ke Yu and Jonas Kemp and Martin Seneviratne and Christina Chen and Subhrajit Roy and Ivan Protsyuk and Natalie Harris and Alexander D'Amour and Steve Yadlowsky and Ming-Jun Chen},
journal= {arXiv preprint arXiv:2207.02941},
year = {2022}
}
备注
Accepted by DSHealth on KDD 2022