医生专业知识能否改进机器学习对谵妄的识别？

谵妄在住院患者中很常见，并且在常规护理中经常被漏诊。我们提出了一个以用户为中心的交互式机器学习（UC-iML）框架，用于谵妄检测支持，该框架将医生引导的特征细化与可解释建模相结合。使用来自多伦多六家医院全科医学住院患者倡议（GEMINI）的3,862例标记入院记录，我们整合了管理变量、实验室结果、药物和放射学衍生的文本指标。医生指导特征细化和模型评估，并使用Shapley加法解释（SHAP）来总结特征归因。我们使用时间分离的保留测试和后期验证队列评估标准监督分类器。与自动化和基线变体相比，所提出的框架显示出更好的整体区分度和更强的时间稳健性，而解释突出了临床有意义的信号。这些结果支持UC-iML作为临床相关谵妄建模的实用人机交互框架。