通过可解释机器学习与电子健康记录中的错误处理改进临床决策支持
机器学习
2025-04-22 v2
摘要
本工作的目标是开发一种电子病历（EMR）数据处理工具，为机器学习（ML）算法赋予临床上下文以实现错误处理、偏差缓解和可解释性。我们提出 Trust-MAPS，一种将临床领域知识转化为高维混合整数规划模型的算法，该模型捕获临床测量上的生理和生物学约束。EMR 数据被投影到该约束空间上，有效使离群值落入生理可行范围内。然后我们计算各数据点距建模健康生理的约束空间的距离，以量化偏离常态的程度。这些距离称为“信任分数”，被整合进特征空间用于下游 ML 应用。我们通过使用 XGBoost 算法并在 2019 PhysioNet Computing in Cardiology Challenge 数据上训练早期脓毒症预测的二分类器，且应用 SMOTE 克服类不平衡，来展示 Trust-MAPS 的效用。Trust-MAPS 框架在处置潜在错误和提升预测性能方面表现出期望行为。我们在脓毒症发作前 6 小时预测的 AUROC 达到 0.91（0.89, 0.92：95% CI）——相较未用 Trust-MAPS 训练的基线模型显著提升 15%。信任分数成为具有临床意义的特征，不仅提升临床决策支持任务的预测性能，还赋予 ML 模型可解释性。本工作是首个将临床领域知识转化为数学约束、建模跨生命体征依赖并识别高维医疗数据异常的工作。我们的方法允许 EMR 中的错误处理，并赋予为临床决策支持训练的模型可解释性和优越预测力。
引用
@article{arxiv.2308.10781,
title = {Improving Clinical Decision Support through Interpretable Machine Learning and Error Handling in Electronic Health Records},
author = {Mehak Arora and Hassan Mortagy and Nathan Dwarshuis and Jeffrey Wang and Philip Yang and Andre L Holder and Swati Gupta and Rishikesan Kamaleswaran},
journal= {arXiv preprint arXiv:2308.10781},
year = {2025}
}