探索算法可解释性：针对年轻成年人 cannabis 饮酒的个性化临床决策支持生成可解释AI洞察

本研究探索了将可解释人工智能（XAI）技术与传感器数据结合，以促进算法决策的可能性，旨在为研究人员和临床医生提供cannabis饮酒行为的个性化分析。SHAP分析特定因素（如环境噪声或心率）的重要性并量化其影响，使临床医生能够确定影响cannabis饮酒的关键行为和环境条件。SkopeRules简化了针对特定活动或环境使用的cannabis使用的理解。决策树提供了因素如何相互影响以影响cannabis消费的清晰可视化。反事实模型有助于识别行为或条件的关键变化，这些变化可能改变cannabis使用结果，以指导有效的个性化干预策略。这种多维分析方法不仅揭示了cannabis使用后行为和生理状态的变化，如活动状态的频繁波动、非传统睡眠模式以及在不同时间和地点使用的特定习惯，还强调了个体差异对cannabis使用反应的重要性。这些见解对寻求更深入了解其患者多样化需求并制定精准针对性干预策略的临床医生具有深远意义。此外，我们的发现突显了XAI技术在提高临床决策支持系统（CDSS）透明度和可解释性方面发挥关键作用的潜力，特别是针对物质滥用治疗。本研究显著贡献于旨在推进旨在预防和减少cannabis相关健康危害的临床实践的持续倡议，使XAI成为临床医生和研究人员的有力工具。