利用数字表型增强精神分裂症临床决策的反事实解释与预测模型
人工智能
2023-06-08 v1
摘要
精神科的临床实践承受着医疗服务需求增长与可用资源稀缺的负担。由机器学习技术赋能的健康数据新范式可能开启改善精神科临床评估与治疗关键阶段临床工作流的可能性。在这项工作中，我们提出一种机器学习系统，能够利用行为数字表型数据预测、检测并解释精神分裂症患者症状的个体变化。我们以低于 10% 的错误率预测患者症状。该系统使用变点算法检测症状减轻，并在医疗模拟连续监测场景中利用反事实解释作为补救手段。总体而言，本研究为模拟临床工作流中反事实解释、预测模型和变点检测的性能与潜力提供了有价值的见解。这些发现为进一步探索工作流其他方面以提升其在真实医疗环境中的有效性和适用性的研究奠定了基础。通过利用这些组件，目标是开发一个可操作、可解释且可信的集成决策支持系统，将实时临床评估与基于传感器的输入相结合。
引用
@article{arxiv.2306.03980,
title = {Counterfactual Explanations and Predictive Models to Enhance Clinical Decision-Making in Schizophrenia using Digital Phenotyping},
author = {Juan Sebastian Canas and Francisco Gomez and Omar Costilla-Reyes},
journal= {arXiv preprint arXiv:2306.03980},
year = {2023}
}