Benchmarks para interpretabilidad en atención médica usando descubrimiento de patrones y desentrelazamiento
Autores: Zhou, Pei-Yuan; Takeuchi, Amane; Martinez-Lopez, Fernando; Ehghaghi, Malikeh; Wong, Andrew K. C.; Lee, En-Shiun Annie
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Benchmarks para interpretabilidad en atención médica usando descubrimiento de patrones y desentrelazamiento
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Industria de la salud
IA
Toma de decisiones
Notas clínicas
Algoritmo PDD
Técnicas de interpretabilidad
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
La industria de la salud busca integrar la inteligencia artificial en aplicaciones clínicas, sin embargo, comprender la toma de decisiones de la IA sigue siendo un desafío para los profesionales de la salud, ya que estos sistemas a menudo funcionan como cajas negras. Nuestro trabajo evalúa el algoritmo de aprendizaje no supervisado del sistema de Descubrimiento y Desentrelazado de Patrones (PDD), que proporciona salidas interpretables y resultados de agrupación a partir de notas clínicas para ayudar en la toma de decisiones.
Descripción
La industria de la salud busca integrar la inteligencia artificial en aplicaciones clínicas, sin embargo, comprender la toma de decisiones de la IA sigue siendo un desafío para los profesionales de la salud, ya que estos sistemas a menudo funcionan como cajas negras. Nuestro trabajo evalúa el algoritmo de aprendizaje no supervisado del sistema de Descubrimiento y Desentrelazado de Patrones (PDD), que proporciona salidas interpretables y resultados de agrupación a partir de notas clínicas para ayudar en la toma de decisiones.