基于移动健康与临床数据的可解释人工智能营养不良风险预测
机器学习
2023-06-01 v1
摘要
营养不良在老年人群中是一个严重且普遍的健康问题，尤其在住院或机构照护的受试者中更为突出。准确且早期的风险检测对于营养不良的管理与预防至关重要。由人工智能(AI)赋能的移动健康(m-health)服务可在更自动、客观和持续的监测与评估方面带来重要改进。此外，最新的可解释人工智能(XAI)方法可使AI决策对用户而言具有可解释性与可信性。本文提出一种基于异构移动健康数据的早期、可解释营养不良风险检测新型AI框架。我们进行了广泛的模型评估，包括受试者无关预测与个性化预测，所得结果表明随机森林(RF)与梯度提升(Gradient Boosting)为性能最优的分类器，尤其在纳入身体成分评估数据时表现更佳。我们还研究了若干基准XAI方法以提取全局模型解释。模型特定解释一致性评估表明，每个所选模型均偏好相似的最相关预测变量子集，其中SHapley Additive ExPlanations (SHAP)与特征置换方法间的一致性最高。此外，我们进行了初步临床验证，以确认所学特征-输出趋势符合当前循证评估。
引用
@article{arxiv.2305.19636,
title = {Explainable AI for Malnutrition Risk Prediction from m-Health and Clinical Data},
author = {Flavio Di Martino and Franca Delmastro and Cristina Dolciotti},
journal= {arXiv preprint arXiv:2305.19636},
year = {2023}
}