基于集成树的慢性肾病患者可解释预测模型的开发与评估
机器学习
2023-06-21 v3 人工智能
摘要
慢性肾病（CKD）若延误识别会导致过早死亡，目前其全球发病率不断上升并给卫生系统带来高昂成本。数据挖掘能够发现 CKD 指标中细微的模式，从而有助于早期诊斷。本工作提出并评估了一个可解释预测模型，以辅助临床医生对 CKD 患者进行早期诊斷。该模型的开发基于一个数据管理流水线，可检测出关于分类性能的集成树算法与所选特征的最佳组合。此外，本文的主要贡献在于一种可解释性驱动的方法，该方法能够在准确率和可解释性之间保持平衡地选择最佳预测模型。因此，最具平衡性的可解释预测模型在 3 个特征（红细胞压积、比重和高血压）上实现了极端梯度提升分类器，通过交叉验证技术和新未见数据分别达到了 99.2% 和 97.5% 的准确率。另外，对模型可解释性的分析表明，红细胞压积是影响模型预测结果的最相关特征，其后依次为比重和高血压。所筛选出的少量特征降低了 CKD 早期诊斷的成本，对发展中国家而言是一个有前景的解决方案。
引用
@article{arxiv.2105.10368,
title = {Development and evaluation of an Explainable Prediction Model for Chronic Kidney Disease Patients based on Ensemble Trees},
author = {Pedro A. Moreno-Sanchez},
journal= {arXiv preprint arXiv:2105.10368},
year = {2023}
}