使用可解释机器学习预测母婴结局
机器学习
2022-07-13 v1 应用统计
摘要
大多数妊娠和分娩结局良好，但并发症并不少见，一旦发生，可能对母亲和婴儿产生严重影响。预测建模有潜力通过更好地理解风险因素、加强监测以及更及时和适当的干预来改善结局，从而帮助产科医生提供更好的护理。针对三类并发症，我们使用可解释提升机（Explainable Boosting Machine，EBM）这一玻璃箱模型来识别和研究最重要的风险因素，以获得可理解性：(i) 严重孕产妇 morbidity（SMM），(ii) 肩难产，以及 (iii) 早产先兆子痫。在利用 EBM 的可解释性揭示对风险贡献特征的惊人洞察的同时，我们的实验表明 EBM 的准确率与其他黑箱机器学习方法（如深度神经网络和随机森林）相当。
引用
@article{arxiv.2207.05322,
title = {Using Interpretable Machine Learning to Predict Maternal and Fetal Outcomes},
author = {Tomas M. Bosschieter and Zifei Xu and Hui Lan and Benjamin J. Lengerich and Harsha Nori and Kristin Sitcov and Vivienne Souter and Rich Caruana},
journal= {arXiv preprint arXiv:2207.05322},
year = {2022}
}
备注
DSHealth at SIGKDD 2022, 5 pages, 3 figures