A Bibliometric Review of Explainable AI in Diabetes Risk Prediction: Trends, Gaps, and Knowledge Graph Opportunities

Deze bibliometrische studie analyseert de groeiende toepassing van uitlegbare AI in de risicopredicatie van type 2-diabetes, identificeert een kritieke kloof tussen statistische uitlegmethoden en gestructureerde medische kennis, en stelt een raamwerk voor dat kennisgrafieken integreert om de klinische interpretatie te verbeteren.

De kern

🩺 De "Zwarte Doos" van Diabetes: Een Reis naar Begrip

Stel je voor dat Type 2-diabetes een enorme, onzichtbare storm is die over de wereld trekt. Miljarden mensen lopen het risico, maar we weten vaak niet precies wie er als eerste nat wordt. Gelukkig hebben artsen en wetenschappers een nieuw hulpmiddel: kunstmatige intelligentie (AI). Deze AI kan enorme hoeveelheden gegevens bekijken en zeggen: "Jij hebt een groot risico op diabetes."

Maar hier zit het probleem: de AI werkt als een zwarte doos. Hij geeft je het antwoord, maar vertelt je niet waarom. Het is alsof een voorspeller zegt: "Morgen regent het," maar weigert te vertellen of het komt door lage luchtdruk, koude wind of een naderende storm. Voor artsen is dit lastig; ze willen niet alleen het antwoord, maar ook de reden, zodat ze de patiënt kunnen helpen.

Dit artikel onderzoekt hoe we deze "zwarte doos" transparant kunnen maken (dit noemen ze XAI of Uitlegbare AI) en waar de huidige wetenschap vastloopt.

---

🔍 De Grote Ontdekking: Een Lege Plek in de Bibliotheek

De auteur van dit artikel heeft een enorme zoektocht gedaan. Hij heeft 2.048 wetenschappelijke studies doorzocht (uit twee grote bibliotheken: Scopus en PubMed) die gaan over AI, diabetes en uitlegbaarheid.

Hij ontdekte drie belangrijke dingen:

1. De storm van groei: Het aantal studies is explosief gegroeid. In 2020 waren er maar 36 studies, maar in 2025 waren dat er al 866! Het is een heel populair onderwerp geworden.
2. De favoriete gereedschappen: De meeste studies gebruiken dezelfde twee methoden om de AI uit te leggen: SHAP en LIME. Dit zijn als het ware twee verschillende soorten lantaarns die proberen de donkere hoekjes van de AI te verlichten. Ze zeggen bijvoorbeeld: "Je BMI (lichaamsgewicht) is de belangrijkste reden voor dit risico."
3. Het grote gat (De "KG/GNN" kloof): Hier komt het verrassende deel. De auteur zocht naar een specifiek soort technologie: Kennisgrafieken (Knowledge Graphs).

🕸️ De Analogie: De Lantaarn vs. De Landkaart

Stel je voor dat je door een donker bos loopt (de ziekte diabetes).

• De huidige AI-methoden (SHAP/LIME) zijn als een zaklamp. Ze schijnen op één boom en zeggen: "Deze boom is groot en gevaarlijk." Ze vertellen je wat er gebeurt, maar niet hoe de bomen met elkaar verbonden zijn.
• Een Kennisgraaf (Knowledge Graph) is als een gedetailleerde landkaart van het hele bos. Hij toont niet alleen de bomen, maar ook de paden ertussen: "Deze boom (obesiteit) blokkeert het water (insuline), waardoor de grond (bloedsuiker) verzandt, wat leidt tot de ziekte."

Het probleem: De auteur ontdekte dat van de 2.048 studies, er slechts 17 (minder dan 1%) gebruik maakten van zo'n landkaart. De meeste studies hebben alleen een zaklamp, maar geen kaart. Ze weten wat het risico is, maar kunnen de reden (de pathologische keten) niet goed uitleggen aan de dokter.

---

🌍 Wie doet er mee? (En wie mist er?)

De studie kijkt ook naar wie deze onderzoeken doet:

• De leiders: China, de Verenigde Staten en India schrijven de meeste artikelen.
• De ontbrekende stemmen: Landen in Zuidoost-Azië, Afrika en Zuid-Amerika, waar diabetes juist enorm toeneemt, zijn bijna afwezig in deze onderzoeken. Dit is alsof je een brandblusapparaat test in een droge woestijn, terwijl de brand woedt in een regenwoud. De AI-modellen zijn misschien niet goed genoeg voor de mensen die het hardst nodig hebben.

---

🏗️ Het Oplossingsvoorstel: Een Drie-Lagen Huis

Omdat de huidige methoden tekortschieten, stelt de auteur een nieuw plan voor: een Drie-Lagen Conceptueel Huis.

1. De Fundering (Voorspelling): Hier staat de AI (zoals XGBoost) die de kans op diabetes berekent. Dit is de harde cijfermatige basis.
2. De Muren (Uitleg): Hier komen de "zaklampen" (SHAP/LIME). Ze vertellen welke factoren (zoals gewicht of bloeddruk) het zwaarst wegen.
3. Het Dak (Kennis): Dit is het nieuwe deel. Hier komt de Kennisgraaf bovenop. Deze laag verbindt de cijfers met medische kennis.
   • In plaats van alleen zeggen: "Je BMI is de oorzaak."
   • Zegt het systeem: "Je hoge BMI zorgt voor insulineresistentie, wat samen met je hoge bloeddruk leidt tot een verhoogd suikerniveau."

Dit maakt de uitleg niet alleen statistisch, maar medisch logisch. Het helpt de dokter om de patiënt te begrijpen en te overtuigen, in plaats van alleen een getal te tonen.

---

💡 De Conclusie in Eén Zin

We hebben geweldige AI-tools om diabetes te voorspellen en we weten welke factoren belangrijk zijn, maar we missen de medische landkaart die uitlegt hoe deze factoren samenwerken. Als we die landkaart (Kennisgrafieken) toevoegen aan onze AI, kunnen we artsen en patiënten niet alleen waarschuwen, maar ook echt begrijpen en helpen.

Kortom: De AI is slim, maar hij heeft nog steeds een goede vertaler nodig die de medische taal spreekt. Dit artikel roept op om die vertaler (de Kennisgraaf) eindelijk te bouwen.

Technische samenvatting

Probleemstelling

Type 2-diabetes mellitus (T2DM) is een wereldwijde volksgezondheidscrisis. Hoewel machine learning (ML) modellen, zoals XGBoost en Random Forest, hoge voorspellingsnauwkeurigheid bereiken voor T2DM-risico, functioneren deze vaak als "black boxes". Dit beperkt hun klinische toepasbaarheid, omdat artsen niet alleen een voorspelling nodig hebben, maar ook een transparante uitleg waarom een patiënt als risicovol wordt ingeschat.

Hoewel Explainable AI (XAI) methoden zoals SHAP en LIME zijn ontwikkeld om deze transparantie te bieden, vertoont het veld een fundamenteel tekort:

1. Statistische vs. Klinische Interpretatie: Bestaande XAI-methoden leveren statistische attributies (bijv. "BMI draagt 0,32 bij"), maar missen de link naar gestructureerde medische kennis en pathofysiologische causale ketens (bijv. hoe obesitas leidt tot insulineresistentie).
2. Het KG/GNN-gat: Er is een opvallend gebrek aan integratie van Kennisgrafieken (Knowledge Graphs - KG) en Graph Neural Networks (GNN) in T2DM-risicopredictie, ondanks hun potentieel om medische kennis te structureren.

Methodologie

De studie voert een gestructureerde systematische bibliometrische review uit, aangepast aan de PRISMA 2020-richtlijnen, met de volgende technische componenten:

• Data-corpus: Een tweedatabase-corpus van 2.048 documenten verzameld uit Scopus en PubMed/MEDLINE.
• Zoekstrategie: Combinatie van domein-trefwoorden (diabetes, T2DM) en methodetrefwoorden (XAI, SHAP, LIME, interpreteerbaarheid), met uitsluiting van niet-relevante subdomeinen (zoals diabetische retinopathie of wondzorg).
• Data-verwerking:
  • Driedelige deduplicatie-pijplijn (via DOI, PMID en titel-fuzzy matching).
  • Normalisatie van synoniemen en samengestelde termen.
  • Gebruik van Python (pandas, matplotlib) voor kwantitatieve analyse.
• Analyse-mix:
  1. Kwantitatieve bibliometrie: Analyse van publicatietrends, geografische distributie, bronnen en trefwoordfrequentie.
  2. Regelgebaseerde clustering: Handmatige toewijzing van trefwoorden aan 5 thematische clusters (XAI-methoden, ML-modellen, Diabetes-types, Klinische uitkomsten, KG/Graph).
  3. Selectieve review: Een diepgaande kwalitatieve analyse van de 15 meest geciteerde papers om de kwantitatieve bevindingen te valideren.

Belangrijkste Resultaten

1. Explosieve Groei: Het veld groeide van slechts 36 documenten in 2020 naar 866 documenten in 2025. De groei versnelde sterk na de popularisatie van SHAP (2017) en LIME (2016).
2. Dominante Methoden:
   • XAI: SHAP (152 occurrences) en LIME domineren verreweg.
   • ML: XGBoost en Random Forest zijn de meest gebruikte modellen.
3. Het KG/GNN-gat (Kernbevinding):
   • Er is een extreme dispariteit tussen XAI-methoden en Kennisgrafieken.
   • XAI-trefwoorden: 906 occurrences.
   • KG/GNN-trefwoorden: Slechts 17 occurrences (~0,83% van het corpus).
   • Verhouding: 53,3 : 1.
   • Deze kloof is consistent in beide databases (33,2% overlap) en bevestigd in de selectieve review: geen van de 15 meest geciteerde papers combineerde ML, systematische XAI en een KG-semantische laag.
4. Geografische Dispariteit: China (2.287), de VS (793) en India (578) leiden de publicaties. Zuidoost-Aziatische en Afrikaanse landen, die een hoge diabeteslast hebben, zijn ondervertegenwoordigd.
5. Data-Kwaliteit: Veel studies (40% van de top-15) gebruiken nog steeds het verouderde PIMA-dataset (768 records uit 1988) in plaats van grote, moderne populatiegezondheidsdatasets zoals BRFSS of UK Biobank.

Belangrijkste Bijdragen

1. Kwantificering van de KLOOF: De studie biedt de eerste kwantitatieve bewijsvoering voor het structurele gebrek aan integratie van Kennisgrafieken in XAI voor diabetes, met een gedetailleerde analyse van de 53,3:1-dispariteit.
2. Conceptueel Raamwerk (3-Lagen): De auteurs stellen een nieuw raamwerk voor om de "klinische interpretatiekloof" te dichten:
   • Voorspellende Laag: ML-modellen (bijv. XGBoost) voor risicopredicitie.
   • Verklaringslaag: XAI-methoden (SHAP) voor statistische feature-attributie ("wat").
   • Kennislaag: Een Kennisgrafiek (KG) die medische kennis representeert als gestructureerde triples, waardoor het systeem pathofysiologische ketens kan traceren ("waarom" en "hoe").
3. Methodologische Inzichten:
   • Benadrukking van de noodzaak van cross-method agreement (overeenstemming tussen SHAP, LIME, etc.) om betrouwbare klinische beslissingen te ondersteunen.
   • Waarschuwing dat correlatie-gevoelige methoden (zoals Permutation Feature Importance) misleidend kunnen zijn bij gecorreleerde klinische variabelen; TreeSHAP wordt aanbevolen als standaard.
4. Transferbare Methodologie: Een openbaar beschikbaar script en een transparante pipeline voor replicatie van de bibliometrische analyse.

Significantie en Toekomstperspectief

De studie identificeert een kritieke research-gap: huidige XAI-systemen voor diabetes zijn statistisch krachtig maar klinisch beperkt omdat ze geen verband leggen met gestructureerde medische kennis.

• Klinische Impact: Het voorgestelde raamwerk (ML + XAI + KG) kan leiden tot Clinical Decision Support Systems (CDSS) die niet alleen risico's voorspellen, maar ook uitleggen in termen van pathofysiologische mechanismen (bijv. "Obesiteit veroorzaakt insulineresistentie, verergerd door hypertensie"). Dit verlaagt de cognitieve last voor artsen.
• Beperkingen: Het raamwerk is momenteel conceptueel; experimentele validatie is nodig. Het biedt geen ware causale inferentie, maar structureert uitleg rondom bestaande pathofysiologische kennis.
• Toekomst: De studie pleit voor onderzoek dat zich richt op de integratie van KG's, validatie op grote, diverse populatiedatasets, en het overbruggen van de geografische kloof in onderzoek.

Samenvattend biedt dit artikel een kwantitatief onderbouwde roadmap voor de volgende generatie van interpreteerbare AI in de gezondheidszorg, waarbij de focus verschuift van puur statistische uitleg naar kennis-gedreven klinische redenering.