通过可解释神经网络回归进行术前阿片类药物使用的个体化风险评估
机器学习
2022-05-18 v1 应用统计
摘要
据报道，术前阿片类药物使用与更高的术前阿片类药物需求、更差的术后结局以及增加的术后医疗资源利用和支出相关。了解术前阿片类药物使用的风险有助于建立以患者为中心的疼痛管理。在机器学习领域，深度神经网络（DNN）因其卓越的预测能力已成为风险评估的有力工具；然而，黑箱算法可能导致其结果比统计模型更难以解释。为了弥合统计学与机器学习领域之间的鸿沟，我们提出了一种新颖的可解释神经网络回归（Interpretable Neural Network Regression, INNER），它结合了统计模型与DNN模型的优势。我们使用所提出的INNER对术前阿片类药物使用进行个体化风险评估。密集的模拟实验以及对镇痛结局研究（Analgesic Outcomes Study, AOS）中34,186名等待手术患者的分析表明，所提出的INNER不仅能像DNN一样利用术前特征准确预测术前阿片类药物使用，还能估计患者在不疼痛情况下使用阿片类药物的特定几率，以及报告的整体身体疼痛每增加一个单位时阿片类药物使用的比值比，从而比DNN更直接地解释使用阿片类药物的倾向。我们的结果识别出了与阿片类药物使用强相关的患者特征，并与先前的研究发现基本一致，为INNER作为术前阿片类药物使用个体化风险评估的有用工具提供了证据。
引用
@article{arxiv.2205.08370,
title = {Individualized Risk Assessment of Preoperative Opioid Use by Interpretable Neural Network Regression},
author = {Yuming Sun and Jian Kang and Chad Brummett and Yi Li},
journal= {arXiv preprint arXiv:2205.08370},
year = {2022}
}
备注
14 pages, 6 tables and 2 figures in main text