Novel Transparent Machine Learning Algorithm - Predicting Sepsis from Routine ED Data.
这项回顾性队列研究引入了一种新型的、完全透明的机器学习算法（ShAproxRef），该算法通过近似“黑盒”神经网络，利用常规急诊数据来预测脓毒症，并具有相当的准确度（在外部测试中 AUC 为 0.82），从而增强了临床信任并促进了实施。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医院急诊室这种混乱且高风险的环境中，时间是最关键的资源。患者发生败血症（sepsis）后每延迟一小时接受治疗，其死亡风险就会增加近 8%。败血症是对感染的一种危及生命的反应，虽然治疗本身并不复杂，但早期识别该状况却极其困难。医生依赖算法——旨在识别患者数据模式的计算机程序——来帮助标记有风险的人群。然而，这些最强大的工具通常以“黑盒”形式运行。它们接收患者的信息并输出一个风险评分，却无法解释为什么得出这一结论。这种缺乏透明度的现象让临床医生难以信任它们，因为如果推理过程隐藏在复杂且难以阅读的代码中，医生就无法向患者或同事解释其决策依据。为了解决这个问题，研究人员转向了一种名为“夏普里值”（Shapley values）的数学公平性方法，该方法最初源于博弈论，用于根据每个玩家的贡献公平地分配利润。通过改编这一概念，科学家现在可以将复杂的预测分解为简单、易懂的部分，清晰展示患者健康记录中的每一项因素对最终警报贡献了多少。
来自伦敦大学皇家墨尔本理工学院（注：原文为Institute of Cancer Research, University College London, and Imperial College London，应译为：来自伦敦大学皇家癌症研究所、伦敦大学学院和帝国理工学院的研究团队）的一支研究小组致力于构建一种既准确又完全透明的新型败血症检测器。他们利用来自英国两家国民医疗服务体系（NHS）信托机构的电子健康记录，分析了超过 28,000 次就诊的数据。他们的目标是仅利用患者踏入急诊室那一刻所拥有的信息，来预测其最终是否会被诊断为败血症。这包括心率、体温和血压等常规生命体征，以及基本的人口统计学数据和既往健康状况史。研究团队首先构建了一个被称为神经网络的标准强大计算机模型，这种模型擅长发现模式，但极难解释。随后，他们使用这种新颖的方法创建了第二个模型，该模型模仿第一个模型的预测，但使用的是任何人类都能遵循的清晰、循序渐进的逻辑。这个被他们命名为 ShAprox 的新方法，将神经网络中隐藏的计算转化为一个透明的公式，使得从年龄到血压的每一个因素都有了可见且可解释的权重。
研究结果表明，这种透明的方法与复杂的隐藏模型同样有效。在对其进行训练的医院数据进行测试时，新开发的透明模型正确识别败血症病例的性能得分为 0.74，几乎与原始神经网络的 0.75 分相近。更重要的是，当团队在另一家完全不同的医院的数据上测试该模型以观察其在不同环境下的适用性时，透明模型的表现甚至略好，得分达到了 0.82，而神经网络为 0.81。这表明该方法不仅准确，而且足够稳健，能够处理不同医院中存在的复杂现实差异。研究人员发现，该模型高度依赖于最明显的病情迹象，如体温和血压，但也强调了不太明显的因素的重要性。例如，患者的年龄和特定的既往病史（如淋巴瘤或肝脏疾病）都是预测的重要组成部分。该模型甚至注意到，巴基斯坦裔患者被标记的可能性似乎较低，研究人员将这一发现归因于其中一个站点在数据记录方式上的潜在差异，而非生物学上的现实，而如果没有透明系统，这种细微差别是不可能被发现的。
这项工作的真正价值在于其弥合先进技术与人类信任之间鸿沟的能力。在繁忙的急诊室里，医生不仅需要知道患者是否存在风险，还需要知道计算机为何认为存在风险。这种新算法通过为每一项数据分配特定的贡献分来实现这一目标。如果患者发高烧，模型会为风险评分增加特定数值；如果患者有癌症史，则会增加另一个数值。这类似于医生在得出诊断时如何在脑中权衡不同症状，但计算机能以数学上的精确性和一致性完成这一过程。与其他评分系统相比，那些系统的评分可能会随着单个生命体征的微小变化而剧烈跳动，而本模型的变化则非常平滑，反映了患者病情恶化的渐进性质。研究人员还发现，他们可以通过移除对价值贡献不大的特征来进一步简化模型，且不会损失任何准确性。这意味着该工具在未来可以变得更加精简且易于使用。
通过证明机器学习模型可以兼具高准确性和完全的可解释性，这项研究为人工智能在医疗领域的应用提供了一条切实可行的路径。研究人员强调，他们的目标不是取代医生，而是提供一个支持临床判断的工具。由于每项预测背后的逻辑都是可见的，临床医生可以认同警报，也可以在自身经验表明有不同诊断时，自信地否决警报。这种透明度对于技术的落地至关重要；如果没有它，即使是最准确的算法也面临被忽视的风险。研究结论指出，通过使用已收集的常规数据（如生命体征和基本人口统计数据），医院可以在最早的时刻检测出败血症。这种早期检测可以带来更快的治疗、更少的重症病例，并最终挽救更多生命，同时确保决策过程对必须采取行动的人类而言是清晰且易于理解的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。