面向可解释性的终末期肾病 (ESRD) 预测：利用行政索赔数据与可解释 AI 技术
统计力学
2025-04-07 v2 软凝聚态物质
摘要
本研究探讨了利用行政索赔数据结合先进机器学习和深度学习技术来预测慢性肾病 (CKD) 向终末期肾病 (ESRD) 进展的潜力。我们分析来自大型保险组织提供的覆盖 10 年的综合数据集，开发用于多个观察窗口的预测模型，采用诸如随机森林和 XGBoost 等传统机器学习方法，以及诸如长短期记忆网络 (LSTM) 等深度学习方法。我们的发现表明，LSTM 模型，特别是采用 24 个月观察窗口， 在预测 ESRD 进展方面表现优越，超过文献中现有模型。我们进一步应用 Shapley 增量解释 (SHAP) 分析以提高可解释性，提供关于单个特征对预测影响的见解，针对单个患者水平。该研究强调了利用行政索赔数据进行 CKD 管理和预测 ESRD 进展的价值。
引用
@article{arxiv.2409.12086,
title = {Shock propagation in a driven hard sphere gas: molecular dynamics simulations and hydrodynamics},
author = {Amit Kumar and R. Rajesh},
journal= {arXiv preprint arXiv:2409.12086},
year = {2025}
}