MO-AIWOA-XAI: A Multi-Objective Explainable Diabetes Risk Prediction integrating Feature Optimization and Cross-Dataset Validation

Il diabete è una condizione in cui il corpo fatica a gestire lo zucchero, portando a gravi problemi di salute se non individuata precocemente. I medici si sono affidati a lungo a esami del sangue ed esami fisici per individuare i segnali di avvertimento, ma questi metodi spesso richiedono una visita in clinica e in laboratorio. Negli ultimi anni, gli scienziati si sono rivolti ai computer per aiutare. Alimentando i programmi di apprendimento automatico con le cartelle cliniche, i ricercatori possono insegnare ai computer a individuare schemi che suggeriscono che una persona è a rischio di sviluppare il diabete. Tuttavia, questi programmi informatici agiscono spesso come "scatole nere". Possono fornire una risposta corretta, ma non possono spiegare perché siano giunti a quella conclusione. Affinché un medico possa fidarsi del consiglio di un computer, deve comprenderne il ragionamento. Deve sapere quali fattori specifici, come l'età o la pressione sanguigna, hanno fatto pendere l'ago della bilancia. Inoltre, molti modelli informatici sono addestrati su un solo tipo di dati dei pazienti, rendendo poco chiaro se funzionerebbero per un gruppo diverso di persone.

Un team di ricercatori ha sviluppato un nuovo sistema progettato per risolvere questi problemi. Il loro approccio, che chiamano MO-AIWOA-XAI, è costruito per fare tre cose contemporaneamente: trovare gli indizi sanitari più importanti, prevedere il rischio di diabete con un'elevata precisione e spiegare esattamente come è stata formulata tale previsione. Il sistema inizia setacciando un lungo elenco di dettagli dei pazienti per trovare i pochi che contano di più. Successivamente, utilizza un programma di apprendimento intelligente per effettuare la sua previsione. Infine, genera un rapporto chiaro per il medico, mostrando non solo il livello di rischio, ma anche quali cambiamenti un paziente potrebbe apportare per ridurlo. I ricercatori hanno testato questo sistema su due set di dati dei pazienti molto diversi per garantire che funzioni in modo affidabile.

I ricercatori hanno iniziato raccogliendo due collezioni distinte di informazioni sui pazienti. Il primo set proveniva da un gruppo di donne di origine Pima Indian, e includeva misurazioni fisiologiche dettagliate come i livelli di glucosio, la pressione sanguigna e l'indice di massa corporea. Il secondo set era diverso; si concentrava sui sintomi precoci, come la sete frequente, la perdita improvvisa di peso e la vista offuscata, raccolti da una popolazione mista. Questi due dataset rappresentavano i diversi modi in cui i medici potrebbero incontrare la malattia: uno attraverso i risultati di laboratorio e l'altro attraverso le lamentele dei pazienti. Prima che il computer potesse apprendere da questi dati, i ricercatori dovettero pulirli. Riempirono i numeri mancanti, regolarono le differenze nel modo in cui i dati venivano registrati e bilanciarono i gruppi affinché il computer non fosse influenzato da un risultato rispetto all'altro.

Per trovare i migliori predittori, il team ha utilizzato un metodo ispirato al comportamento di caccia delle balene megattere. In natura, queste balene lavorano insieme per intrappolare i pesci in una rete di bolle. L'algoritmo informatico imita questo processo inviando un gruppo di "balene" virtuali per esplorare diverse combinazioni di fattori sanitari. Ogni balena testa un set specifico di caratteristiche, come verificare se l'età e il glucosio insieme siano predittori migliori rispetto all'età e alla pressione sanguigna. L'algoritmo migliora nel tempo, imparando quali combinazioni funzionano meglio. Fondamentalmente, questo sistema è stato progettato per cercare due obiettivi simultaneamente: voleva la massima precisione possibile nella previsione del diabete, ma voleva anche utilizzare il minor numero possibile di caratteristiche. Questo è vitale per l'uso nel mondo reale, poiché i medici preferiscono controlli semplici e rapidi rispetto a pannelli di test complessi e costosi.

Dopo aver eseguito questo processo di ottimizzazione, il sistema ha identificato un piccolo ma potente gruppo di quattro fattori che avevano il maggior peso: il numero di gravidanze che una donna ha avuto, il suo livello di glucosio, la sua pressione sanguigna e il suo indice di massa corporea. Concentrandosi solo su questi quattro fattori, il sistema ha ridotto l'importante quantità di dati da elaborare di circa il 60 percento, mantenendo comunque la sua capacità di individuare la malattia. I ricercatori hanno quindi addestrato un modello di previsione finale utilizzando questi quattro fattori chiave. Per garantire che il modello fosse perfettamente tarato, hanno utilizzato uno strumento automatizzato che ha testato migliaia di diverse impostazioni per trovare quella che funzionava meglio.

I risultati di questo nuovo framework sono stati impressionanti. Quando testato sul dataset Pima Indian, il sistema ha identificato correttamente i casi di diabete nell'83,76 percento delle volte. Sul secondo dataset, focalizzato sui sintomi precoci, ha raggiunto un'accuratezza ancora più alta, pari al 95,19 percento. Più importante ancora, il sistema ha dimostrato di non stare solo tirando a indovinare; era stabile. Quando i ricercatori hanno testato il sistema su diversi segmenti dei dati, i risultati sono rimasti coerenti. Hanno anche verificato se le probabilità fornite dal computer corrispondessero alla realtà e hanno scoperto che le previsioni erano ben calibrate, il che significa che un punteggio di rischio del 90 percento significava realmente un'alta probabilità della malattia.

La parte forse più significativa di questo lavoro è la spiegazione. Il sistema non dice solo "alto rischio"; dice al medico il perché. Utilizzando una tecnica chiamata SHAP, ha mostrato che il glucosio e l'indice di massa corporea erano i fattori più influenti in tutto il gruppo di pazienti. Per un singolo paziente, il sistema utilizza LIME per spiegare il rischio di quella specifica persona, evidenziando esattamente quali delle sue misurazioni hanno spinto verso l'alto il punteggio. Va persino oltre con un metodo chiamato DiCE, che genera spiegazioni controfattuali. Ciò significa che il sistema può dire a un paziente cosa dovrebbe cambiare per ridurre il proprio rischio. Ad esempio, potrebbe mostrare che se il livello di glucosio di un paziente fosse leggermente inferiore o se il suo peso fosse leggermente ridotto, la previsione del computer passerebbe da "diabete" a "non diabete". Questo trasforma una previsione statica in uno strumento dinamico per la prevenzione.

I ricercatori hanno convalidato il loro lavoro confrontandolo con i metodi più vecchi e testandolo attraverso i due diversi dataset. Hanno scoperto che il loro approccio era più robusto e affidabile rispetto alle tecniche standard. Hanno anche confermato che le spiegazioni fornite dal sistema erano stabili; se avessero eseguito nuovamente il test, il sistema avrebbe indicato gli stessi fattori importanti. Questa coerenza è essenziale per costruire fiducia in contesti medici. Lo studio conclude che, combinando una selezione intelligente delle caratteristiche, un potente modello di previsione e spiegazioni chiare, è possibile creare uno strumento che sia allo stesso tempo accurato e comprensibile. Questo framework offre una strada percorribile per il supporto alle decisioni cliniche, dove i computer possono assistere i medici non solo calcolando numeri, ma fornendo il contesto e il ragionamento necessari per prendere decisioni informate sulla cura del paziente.