用于预测心血管高风险患者慢性肾病的可解释机器学习系统

随着全球人口老龄化，慢性肾病（CKD）的发病率正在上升。CKD通常在晚期之前无症状，这给医疗系统和患者生活质量带来了沉重负担。本研究开发了一个可解释的机器学习系统，利用病史和实验室数据预测心血管风险患者的CKD。随机森林模型达到了88.2%的最高灵敏度。该研究引入了一个全面的可解释性框架，超越了传统的特征重要性方法，包含了全局和局部解释、偏差检查、生物医学相关性和安全性评估。全局解释中确定的关键预测特征包括糖尿病药物和ACEI/ARB药物的使用以及初始eGFR值。局部解释通过反事实解释提供了模型洞察，这些解释与系统的其他部分一致。经过偏差检查，发现初始eGFR值和CKD预测存在一些偏差，但未发现显著的性别偏差。通过范围规则提取的模型逻辑被确认与现有医学文献一致。安全性评估测试了潜在危险案例，并确认模型行为安全。该系统增强了模型的可解释性、可靠性和问责性，促进了其融入医疗环境的潜力以及对即将出台的监管标准的合规性，并展示了在医疗机器学习中更广泛应用的前景。