Modelo de apilamiento explicable para predecir la readmisión hospitalaria de pacientes diabéticos
Autores: Lu, Haohui; Uddin, Shahadat
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Modelo de apilamiento explicable para predecir la readmisión hospitalaria de pacientes diabéticos
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Inteligencia artificial
Atención médica
Modelos
Inteligencia artificial explicable
Algoritmos de aprendizaje automático
Readmisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La inteligencia artificial está cambiando la práctica de la atención médica. Si bien es esencial emplear tales soluciones, hacerlas transparentes para los expertos médicos es más crítico. La mayoría de los trabajos anteriores presentaron modelos de predicción de enfermedades, pero no los explicaron. Muchos interesados en la atención médica no tienen una base sólida en estos modelos. Tratar estos modelos como una "caja negra" disminuye la confianza en sus predicciones. El desarrollo de métodos de inteligencia artificial explicable (XAI) nos ha permitido transformar los modelos en una "caja blanca". XAI permite a los usuarios humanos comprender los resultados de los algoritmos de aprendizaje automático al hacerlos fáciles de interpretar. Por ejemplo, los gastos de los servicios de salud asociados con readmisiones no planificadas son enormes. Este estudio propuso un modelo basado en apilamiento para predecir la readmisión hospitalaria a los 30 días para pacientes diabéticos. Empleamos submuestreo aleatorio para resolver el problema de clase desbalanceada, luego utilizamos SelectFromModel para la selección de características y construimos un modelo de apilamiento con aprendices base y meta. En comparación con los diferentes modelos de aprendizaje automático, el análisis de rendimiento mostró que nuestro modelo puede predecir mejor la readmisión que otros modelos existentes. Este modelo propuesto también es explicable e interpretable. Basado en la importancia de características por permutación, los fuertes predictores fueron el número de pacientes hospitalizados, el diagnóstico principal, el alta a casa con servicio a domicilio y el número de emergencias. También se empleó el método de explicaciones locales interpretables y agnósticas al modelo para demostrar la explicabilidad a nivel individual. Los hallazgos sobre la readmisión de pacientes diabéticos podrían ser útiles en la práctica médica y proporcionar valiosas recomendaciones a los interesados para minimizar la readmisión y reducir los costos de atención médica pública.
Descripción
La inteligencia artificial está cambiando la práctica de la atención médica. Si bien es esencial emplear tales soluciones, hacerlas transparentes para los expertos médicos es más crítico. La mayoría de los trabajos anteriores presentaron modelos de predicción de enfermedades, pero no los explicaron. Muchos interesados en la atención médica no tienen una base sólida en estos modelos. Tratar estos modelos como una "caja negra" disminuye la confianza en sus predicciones. El desarrollo de métodos de inteligencia artificial explicable (XAI) nos ha permitido transformar los modelos en una "caja blanca". XAI permite a los usuarios humanos comprender los resultados de los algoritmos de aprendizaje automático al hacerlos fáciles de interpretar. Por ejemplo, los gastos de los servicios de salud asociados con readmisiones no planificadas son enormes. Este estudio propuso un modelo basado en apilamiento para predecir la readmisión hospitalaria a los 30 días para pacientes diabéticos. Empleamos submuestreo aleatorio para resolver el problema de clase desbalanceada, luego utilizamos SelectFromModel para la selección de características y construimos un modelo de apilamiento con aprendices base y meta. En comparación con los diferentes modelos de aprendizaje automático, el análisis de rendimiento mostró que nuestro modelo puede predecir mejor la readmisión que otros modelos existentes. Este modelo propuesto también es explicable e interpretable. Basado en la importancia de características por permutación, los fuertes predictores fueron el número de pacientes hospitalizados, el diagnóstico principal, el alta a casa con servicio a domicilio y el número de emergencias. También se empleó el método de explicaciones locales interpretables y agnósticas al modelo para demostrar la explicabilidad a nivel individual. Los hallazgos sobre la readmisión de pacientes diabéticos podrían ser útiles en la práctica médica y proporcionar valiosas recomendaciones a los interesados para minimizar la readmisión y reducir los costos de atención médica pública.