🤖 machine learning

Towards symbolic regression for interpretable clinical decision scores

Dit paper introduceert Brush, een nieuw symbool-regressie-algoritme dat besluitboom-achtige splitsingen combineert met niet-lineaire optimalisatie om interpreteerbare en nauwkeurige klinische risicoscores te genereren die de complexiteit van medische besluitvorming beter nabootsen dan bestaande methoden.

Oorspronkelijke auteurs: Guilherme Seidyo Imai Aldeia, Joseph D. Romano, Fabricio Olivetti de Franca, Daniel S. Herman, William G. La Cava

Gepubliceerd 2026-04-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Guilherme Seidyo Imai Aldeia, Joseph D. Romano, Fabricio Olivetti de Franca, Daniel S. Herman, William G. La Cava

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De uitvinding: "Brush" – De slimme schilder van medische regels

Stel je voor dat artsen in een spoedeisende hulp vaak moeten beslissen: "Is deze patiënt in gevaar?" Om dit te doen, gebruiken ze vaak scores. Denk aan een lijstje met regels: "Als de hartslag boven de 140 zit én de bloeddruk onder de 35, dan is het gevaarlijk." Deze lijsten zijn handig, maar ze worden vaak met de hand gemaakt door experts. Dat is tijdrovend en soms missen ze subtiele patronen in de data.

Aan de andere kant hebben computers (kunstmatige intelligentie) de kracht om miljoenen patiëntgegevens te analyseren. Maar deze computers zijn vaak als een "zwarte doos": ze geven een antwoord, maar je kunt niet zien waarom. Voor artsen is dat onaanvaardbaar; ze moeten begrijpen hoe een beslissing tot stand komt.

Hier komt Brush in beeld. Het is een nieuwe computerprogramma (een algoritme) dat de beste van twee werelden combineert: de slimheid van een computer en de duidelijkheid van een menselijke regel.

Hoe werkt het? De vergelijking met een "Kies-je-eigen-avontuur" boek

Om te begrijpen wat Brush doet, moeten we eerst kijken naar wat het niet kan doen. Traditionele wiskundige modellen proberen een grote, complexe formule te vinden (zoals $y = ax^2 + b \sin(x)$ ). Dit is als proberen een heel boek te schrijven met één lange, onleesbare zin. Dat is voor een mens onbegrijpelijk.

Brush doet iets anders. Het bouwt een boom van beslissingen, maar dan met een slimme twist.

De Beslissingsboom (Het "Als-Dan" boek):
Stel je een "Kies-je-eigen-avontuur" boek voor.
- Pagina 1: "Is de hartslag hoger dan 100? Ja -> Ga naar pagina 10. Nee -> Ga naar pagina 20."
- Pagina 10: "Is de bloeddruk laag? Ja -> Alarm! Nee -> Ga naar pagina 12."
  Dit is makkelijk te lezen. Maar traditionele wiskundige modellen kunnen dit soort "springen" tussen pagina's niet goed doen. Ze houden van gladde lijnen, niet van sprongen.
De Slimme Twist (De "Scheer" en de "Optimalisatie"):
Brush is uniek omdat het twee dingen tegelijk doet:
- Het "Scheer" (Split): Het kan op elk punt in de formule beslissen: "Stop even, kijk naar deze ene waarde (bijv. hartslag), en ga dan een andere kant op." Dit maakt het mogelijk om complexe, niet-lineaire regels te maken die lijken op die handgemaakte lijsten van artsen.
- De "Optimalisatie" (De fijnafstelling): Vaak zijn deze regels niet perfect. Stel de regel is: "Als hartslag > 100". Maar misschien is 102 beter? Of 98? Brush past deze drempelwaarden (de "knoppen" in de formule) automatisch en extreem nauwkeurig aan, net als een pianist die de toetsen perfect afstemt.

De Metafoor:
Stel je voor dat je een recept moet schrijven voor een taart.

Een gewoon computermodel schrijft een recept met 500 ingrediënten en een berekening die niemand begrijpt.
Een menselijke expert schrijft: "Voeg suiker toe als het te droog is." (Dit is goed, maar misschien niet de perfecte hoeveelheid suiker).
Brush schrijft: "Voeg suiker toe als de temperatuur boven de 180 graden is, maar pas de exacte hoeveelheid suiker aan op basis van de luchtvochtigheid, zodat de taart altijd perfect is." Het combineert de duidelijke regels met de perfecte afstelling.

Wat hebben ze ontdekt? (De resultaten)

De onderzoekers hebben Brush getest op twee manieren:

1. De "Fysica Test" (Het oplossen van raadsels)
Ze gaven Brush 250 verschillende wiskundige raadsels (uit de natuurkunde) en vroegen: "Kun jij de formule vinden die dit beschrijft?"

Resultaat: Brush was een van de beste. Het kon de formules vinden die andere slimme computers ook vonden, maar dan in een vorm die veel korter en begrijpelijker was. Het was alsof Brush een ingewikkelde wiskundige vergelijking vertaalde naar een simpel zinnetje.

2. De "Medische Test" (Patiënten in gevaar)
Ze gaven Brush echte data van 10.000 patiënten uit een ziekenhuis (MIMIC-IV). De taak was om twee bekende medische scores na te bootsen:

CART: Een score om te zien of iemand in shock kan raken.
MEWS: Een score om te zien of iemand slechter wordt.

Wat deed Brush?

Het leerde de regels van deze scores bijna perfect na.
Het vond de juiste factoren (hartslag, bloeddruk, ademhaling) uit een berg van 77 mogelijke gegevens.
Het belangrijkste: Het maakte modellen die kleiner en duidelijker waren dan die van andere geavanceerde methoden.
- Terwijl andere methoden soms modellen maakten die zo groot waren als een telefoonboek (met duizenden regels), maakte Brush modellen die net zo groot waren als een één-pagina samenvatting.
- De voorspellingen waren net zo goed als de beste methoden, maar veel makkelijker voor een arts om te lezen en te vertrouwen.

Waarom is dit belangrijk?

In de medische wereld is vertrouwen alles. Een arts zal nooit een patiënt behandelen op basis van een "zwarte doos" die zegt: "De computer zegt dat deze patiënt gevaarlijk is, maar ik weet niet waarom."

Brush lost dit op door:

Transparantie: Het geeft regels die een mens kan lezen (bijv. "Als hartslag hoog is EN leeftijd > 70, dan risico").
Nauwkeurigheid: Het is net zo slim als de complexere, onbegrijpelijke modellen.
Snelheid: Omdat de modellen klein zijn, zijn ze snel te berekenen en te controleren.

Conclusie in één zin

Brush is als een slimme vertaler die de complexe taal van miljoenen patiëntgegevens omzet in heldere, korte en betrouwbare regels, zodat artsen sneller en beter kunnen beslissen wie er hulp nodig heeft. Het is de brug tussen de kracht van kunstmatige intelligentie en de behoefte aan menselijk inzicht.

Titel: Towards symbolic regression for interpretable clinical decision scores

Auteurs: Guilherme Seidyo Imai Aldeia, Joseph D. Romano, Fabricio Olivetti de Franca, Daniel S. Herman, William G. La Cava.

1. Probleemstelling

Medische besluitvorming maakt vaak gebruik van algoritmen die risicovergelijkingen combineren met regels (bijv. triage-scores zoals CART of MEWS) om duidelijke behandelingspaden te bieden. Hoewel Symbolische Regressie (SR) traditioneel sterk is in het ontdekken van interpreteerbare wiskundige uitdrukkingen uit data, heeft het een belangrijke beperking: het beperkt de zoekruimte meestal tot continue functies en parameters. Dit maakt het moeilijk om split-wise operaties (vergelijkingen met voorwaarden zoals "als X > Y, dan...") te modelleren, die essentieel zijn voor klinische beslissingsystemen.

Bestaande methoden die beslissingsbomen en SR combineren (zoals PS-Tree) missen vaak geavanceerde parameteroptimalisatie, wat leidt tot grote, minder accurate modellen. Anderzijds zijn pure SR-methoden vaak niet in staat om de discrete logica van klinische scores na te bootsen. Er is dus behoefte aan een algoritme dat de voordelen van SR (interpreteerbaarheid, data-gedreven) combineert met de logica van beslissingsbomen, terwijl het tegelijkertijd niet-lineaire parameteroptimalisatie toepast voor maximale nauwkeurigheid.

2. Methodologie: Het Brush-algoritme

De auteurs introduceren Brush, een nieuw genetisch programmering (GP) gebaseerd symbolisch regressie-algoritme dat specifiek is ontworpen om split-wise operaties te integreren met niet-lineaire parameteroptimalisatie.

Kerncomponenten van Brush:

Split-node Operator: Brush introduceert een gespecialiseerde "split node" die geïnspireerd is op beslissingsbomen. Deze node heeft drie takken: een voorwaarde ( $f_c$ ), een "waar"-tak ( $f_T$ ) en een "onwaar"-tak ( $f_F$ ). De voorwaarde vergelijkt een sub-expressie met een leerbare drempelwaarde ( $\tau$ ).
Optimalisatie van de Drempel: De optimale drempel $\tau^*$ wordt bepaald door de som van de varianties van de doelwaarden in de twee resulterende partities te minimaliseren (effectief 1-dimensionale clustering).
Gecombineerde Optimalisatie: Brush lost het probleem op in drie stappen:
1. Optimalisatie van de voorwaardelijke sub-expressie ( $f_c$ ).
2. Vinden van de beste drempel $\tau^*$ .
3. Aanpassen van de resterende parameters in de takken ( $f_T$ en $f_F$ ) met behoud van de gefixeerde split, gebruikmakend van de Levenberg-Marquardt methode voor niet-lineaire optimalisatie.
Multi-Objectief Optimalisatie: Brush gebruikt $\epsilon$ -lexicase selectie en NSGA-II voor overleving om tegelijkertijd de voorspellende prestaties (MSE) te maximaliseren en de modelcomplexiteit (linear complexity) te minimaliseren.
Classificatiemodus: Voor classificatietaken wordt een logistische regressie-node als wortel van de boom geforceerd, waardoor Brush direct waarschijnlijkheidsschattingen kan genereren.
Post-processing: Toepassing van "inexact simplification" om grote sub-bomen te vervangen door eenvoudigere, bijna equivalente alternatieven zonder prestatieverlies.

3. Belangrijkste Bijdragen

Integratie van Logica en Optimalisatie: Brush is het eerste SR-algoritme dat split-wise logica naadloos integreert met niet-lineaire parameteroptimalisatie, waardoor het zowel continue functies als regelgebaseerde logica kan modelleren.
Pareto-optimale Prestaties: Het algoritme bereikt Pareto-optimale prestaties op de SRBench-benchmark, wat betekent dat het de beste balans vindt tussen nauwkeurigheid en modelgrootte vergeleken met state-of-the-art (SotA) methoden.
Klinische Toepasbaarheid: Het succesvol nabootsen van complexe klinische scores (CART en MEWS) uit elektronische gezondheidsdossiers (EHR), waarbij het algoritme niet alleen nauwkeurige voorspellingen doet, maar ook modellen genereert die de logica van de grondwaarheid-scores weerspiegelen.

4. Resultaten

A. SRBench Benchmark (122 real-world datasets + 130 synthetische fysica-problemen):

Brush presteerde Pareto-optimale resultaten, vaak met aanzienlijk kleinere modellen dan concurrenten zoals PS-Tree en Operon.
Het behaalde een $R^2 > 0.999$ in meer dan de helft van de runs, zelfs bij hoge ruisniveaus.
Voor de "ground-truth" track (Feynman en Strogatz vergelijkingen) bereikte Brush een oplossingsnauwkeurigheid van gemiddeld 84% (zonder ruis) en 83,6% (bij maximale ruis), wat robuustheid aantoont.

B. Klinische Experimenten (MIMIC-IV dataset):
De auteurs testten Brush op data van 10.000 patiënten uit de spoedeisende hulp om twee taken uit te voeren:

Regressie: Voorspellen van de exacte scores voor MAP, CART en vereenvoudigde MEWS.
- Brush behaalde een $R^2$ van 1.00 voor MAP en 0.82 voor CART, met aanzienlijk kleinere modelgroottes (bijv. 76 knopen voor CART vs. >800 voor PS-Tree).
Classificatie: Identificeren van patiënten met een hoog risico op catastrofale verslechtering.
- Brush behaalde een AUPRC van 0.99 voor CART en 0.95 voor MEWS.
- In vergelijking met beslissingsbomen (DT) en Random Forests (RF) leverde Brush vergelijkbare of betere prestaties op, maar met veel simpeler en interpreteerbaardere modellen.
- Ablatie-studie: Het uitschakelen van split-nodes leidde tot een significante daling in classificatieprestaties (AUPRC daalde van 0.99 naar 0.78 voor CART), wat aantoont dat split-nodes essentieel zijn voor deze taken.

Voorbeeldmodel:
Brush genereerde modellen die de klinische logica direct nabootsten. Bijvoorbeeld, voor de CART-score identificeerde het model eerst de ademhalingsfrequentie (>21) als kritieke drempel, gevolgd door een geneste evaluatie van diastolische bloeddruk, hartslag en leeftijd, wat overeenkomt met de heuristiek van artsen.

5. Betekenis en Conclusie

Dit artikel toont aan dat Brush een krachtige brug slaat tussen traditionele symbolische regressie en regelgebaseerde klinische besluitvorming.

Interpreteerbaarheid: In tegenstelling tot "black-box" modellen (zoals diepe neurale netwerken of grote random forests), produceert Brush modellen die artsen kunnen begrijpen en verifiëren.
Prestaties: Het overtreft of evenaart de voorspellende kracht van gevestigde methoden (DT, RF, LR) terwijl het complexiteit drastisch reduceert.
Toekomstperspectief: Brush biedt een nieuwe route voor het automatisch leren van klinische risicoscores uit grote datasets (EHR), wat kan leiden tot betere, datagedreven triage-systemen die beter zijn dan handmatig ontwikkelde scores.

De auteurs concluderen dat Brush een evenwicht vindt tussen interpreteerbaarheid, prestatie en stabiliteit, wat zeldzaam is in klinische modellering, en dat het een veelbelovend hulpmiddel is voor zowel fundamenteel onderzoek als praktische klinische toepassingen.