利用可解释人工智能交叉验证新冠肺炎患者死亡中的社会经济差异
机器学习
2023-02-24 v1 人工智能
计算机与社会
摘要
本文应用可解释人工智能（XAI）方法研究 COVID 患者死亡中的社会经济差异。基于去标识化的奥斯汀地区医院数据集构建极端梯度提升（XGBoost）预测模型，以预测 COVID-19 患者的死亡情况。我们应用两种 XAI 方法——Shapley Additive exPlanations（SHAP）与局部可解释模型无关解释（LIME）——比较特征重要性的全局与局部解释。本文展示了使用 XAI 的优势，其揭示了特征重要性与决策能力。此外，我们利用 XAI 方法对个体患者的解释进行交叉验证。XAI 模型揭示，医疗保险财务类别、较高年龄和性别对死亡预测有较高影响。我们发现 LIME 局部解释相较于 SHAP 在特征重要性上未显示显著差异，这表明模式确认。本文展示了 XAI 方法在特征归因交叉验证中的重要性。
引用
@article{arxiv.2302.08605,
title = {Using Explainable AI to Cross-Validate Socio-economic Disparities Among Covid-19 Patient Mortality},
author = {Li Shi and Redoan Rahman and Esther Melamed and Jacek Gwizdka and Justin F. Rousseau and Ying Ding},
journal= {arXiv preprint arXiv:2302.08605},
year = {2023}
}
备注
AMIA 2023 Informatics Summit, March 13-16, Seattle, WA, USA. 10 pages