ประเมินแมชชีนเลิร์นนิงแบบตีความได้เพื่อทำนายความเสี่ยงหัวใจและหลอดเลือดสู่การใช้งานจริง: การสอบเทียบ กลุ่มย่อย และประโยชน์ต่อการตัดสินใจ

ข้อมูลจากบทคัดย่อ

โมเดลตีความได้หลายแบบถูกฝึกกับข้อมูลทุติยภูมิ 308,774 ระเบียน ตัวแปร 19 รายการและความชุกโรค 8.1% โดย histogram gradient boosting ให้ AUROC 0.8407, PR-AUC 0.3177, Brier score 0.0633 และ calibration error 0.0045 การวิเคราะห์ decision curve พบประโยชน์สุทธิในช่วงเกณฑ์คัดกรอง 5-15% และ SHAP ช่วยตรวจเหตุผลของตัวแปร แต่การสอบเทียบต่างกันตามอายุและสุขภาพที่รายงานเอง ผลชี้ว่าควรประเมินมากกว่าความจำแนก อย่างไรก็ตาม เป็นการแบ่งชุดจากฐานเดียว ยังไม่มีการตรวจภายนอกหรือทดลองว่าการใช้โมเดลปรับผลผู้ป่วยและภาระงานได้จริง

เหตุผลที่อยู่ในฐานติดตาม

ระเบียนนี้ได้รับ Impact Signal 74/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย

ประเด็นที่เกี่ยวข้อง: Explainable Artificial Intelligence (XAI) · Machine Learning in Healthcare · Artificial Intelligence in Healthcare and Education