新的神经网络可以帮助医生解释心脏衰竭患者的复发

病人数据是人工智能研究人员的宝库。不过有一个问题:很多算法用于我的病人数据作为黑盒,这使得他们的预测往往难以解释为医生。埃因霍温科技大学的研究人员(图/ e)和浙江大学在中国已经开发了一个算法,不仅预测医院心脏衰竭患者再次入院,但也告诉你为什么这些发生。已经发表在工作BMC医学信息学和决策。

医生越来越多地使用电子医疗记录的数据来评估病人的风险,预测的结果,以及建议和评估治疗。机器学习算法应用在临床设置但是一直受到缺乏可解释性。模型经常充当黑盒:你看什么进去(数据)和出来(预测),但是你不能看看会发生什么。因此可以很难解释为什么模型是说他们在说什么。

这破坏了信任的医疗专业人士在机器学习算法,并限制了他们的使用在日常临床决策。当然,欧盟隐私法规的解释能力也是一个关键需求(GDPR),因此改善也有合法利益。

引起神经网络

为了解决这个问题,博士生沛沛陈的工业工程系和创新科学,与其他研究人员一起涂/ e和浙江大学在杭州,已经测试了一种引起神经网络在中国对心脏病人。引起网络能够关注关键细节数据使用上下文信息。

这是人类采用相同的方法来评估他们周围的世界。当人们看一幅达尔马提亚,他们立即关注的四条腿的白色条白色带有黑花斑的形状的中心形象,认识到它是一只狗。要做到这一点,他们运用直觉和上下文的信息。引起神经网络本质上是做同样的事情。

因为他们对环境的敏感性,这些神经网络不仅善于预测,他们还让你到底看到什么功能负责什么结果。当然,这大大增加了预测的可解释性。引起网络是传统上用于图像识别和语音识别,背景是关键在理解发生了什么。最近,他们也被应用于其他领域。

实验

沛沛陈和她的同事们跟踪调查了736名心脏衰竭患者从中国医院。根据患者特点,他们试图预测和解释后再入院的患者在12个月内发布从医院。研究人员观察了105个功能,包括年龄,性别,血压和心率疾病,如糖尿病和肾脏问题,停留时间和药物的使用。

引起的模型预测三分之二的再入院,略提高对其他三名流行的预测模型。更重要的是,该模型能够指定最危险因素所造成的机会重新接纳为每个病人(见图片),使预测更有用的医生。此外,该模型提供了对所有患者样本最重要的危险因素。这样做,研究者认为三个超声心动图测量没有被另一个模型。

引起模型可以由医生实现之前,它需要对大数据集进行验证。陈还希望扩大包括放电和日常textdata获得进展的研究指出在电子健康记录。

---

---