論文の概要: Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes

• arxiv url: http://arxiv.org/abs/2302.05752v1
• Date: Sat, 11 Feb 2023 18:07:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 18:41:59.840655
• Title: Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes
• Title（参考訳）: 2型糖尿病におけるリスク予測モデルの文脈的説明による臨床評価
• Authors: Shruthi Chari, Prasant Acharya, Daniel M. Gruen, Olivia Zhang, Elif K. Eyigoz, Mohamed Ghalwash, Oshani Seneviratne, Fernando Suarez Saiz, Pablo Meyer, Prithwish Chakraborty, Deborah L. McGuinness
• Abstract要約: 本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
• 参考スコア（独自算出の注目度）: 50.8044927215346
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical experts may use Artificial Intelligence (AI) systems with greater trust if these are supported by contextual explanations that let the practitioner connect system inferences to their context of use. However, their importance in improving model usage and understanding has not been extensively studied. Hence, we consider a comorbidity risk prediction scenario and focus on contexts regarding the patients clinical state, AI predictions about their risk of complications, and algorithmic explanations supporting the predictions. We explore how relevant information for such dimensions can be extracted from Medical guidelines to answer typical questions from clinical practitioners. We identify this as a question answering (QA) task and employ several state-of-the-art LLMs to present contexts around risk prediction model inferences and evaluate their acceptability. Finally, we study the benefits of contextual explanations by building an end-to-end AI pipeline including data cohorting, AI risk modeling, post-hoc model explanations, and prototyped a visual dashboard to present the combined insights from different context dimensions and data sources, while predicting and identifying the drivers of risk of Chronic Kidney Disease - a common type-2 diabetes comorbidity. All of these steps were performed in engagement with medical experts, including a final evaluation of the dashboard results by an expert medical panel. We show that LLMs, in particular BERT and SciBERT, can be readily deployed to extract some relevant explanations to support clinical usage. To understand the value-add of the contextual explanations, the expert panel evaluated these regarding actionable insights in the relevant clinical setting. Overall, our paper is one of the first end-to-end analyses identifying the feasibility and benefits of contextual explanations in a real-world clinical use case.
• Abstract（参考訳）: 医療専門家は、実践者がシステム推論を彼らの使用状況に結びつけるための文脈説明によって支援された場合、より信頼された人工知能(AI)システムを使用することができる。 しかしながら、モデルの使用と理解を改善することの重要性は、広く研究されていない。 そこで我々は,合併症リスク予測シナリオを考察し,患者の臨床状況,合併症リスクに関するAI予測,その予測を支援するアルゴリズム的説明に注目した。 臨床医の典型的疑問に答えるために,医療ガイドラインからそのような次元の関連情報を抽出する方法を検討する。 我々はこれを質問応答(QA)タスクとして識別し、リスク予測モデル推論に関する文脈を提示し、その受容性を評価する。 最後に、データコホーティング、aiリスクモデリング、ポストホックモデル説明を含むエンドツーエンドのaiパイプラインを構築し、異なるコンテキスト次元とデータソースからの洞察を組み合わせたビジュアルダッシュボードをプロトタイプ化し、慢性腎臓病のリスクの要因(一般的な2型糖尿病)を予測・識別する。 これらのステップはすべて、専門家の医療パネルによるダッシュボード結果の最終評価を含む、医療専門家と共同で実施された。 LLM,特にBERTおよびSciBERTは,臨床利用を支援するためのいくつかの関連説明を抽出するために容易に展開可能であることを示す。 文脈的説明の付加価値を理解するため、専門家パネルは、関連する臨床領域における実行可能な洞察について、これらを評価した。 本論文は,実世界における臨床応用事例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。

関連論文リスト

• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Evaluation of Popular XAI Applied to Clinical Prediction Models: Can They be Trusted? [2.0089256058364358]
  透明性と説明可能性の欠如は、機械学習(ML)アルゴリズムの臨床的採用を妨げる。 本研究は、医療現場における予測モデルの説明に使用される2つの一般的なXAI手法を評価する。
  論文  参考訳（メタデータ） (2023-06-21T02:29:30Z)
• This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
  臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。 本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。 利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-16T10:12:07Z)
• Label-dependent and event-guided interpretable disease risk prediction using EHRs [8.854691034104071]
  本稿では,ラベル依存型,事象誘導型リスク予測モデル(LERP)を提案する。 我々は、リスクラベルの名前にセマンティックに類似した医療メモからの単語に注意を向けるラベル依存メカニズムを採用する。 臨床イベントは患者の健康状態も示すことができるため,このモデルではイベントからの情報を活用して,医療記録のイベント誘導表現を生成する。
  論文  参考訳（メタデータ） (2022-01-18T07:24:28Z)
• Label Dependent Attention Model for Disease Risk Prediction Using Multimodal Electronic Health Records [8.854691034104071]
  疾病リスク予測は、現代医療の分野で注目を集めている。 リスク予測にAIモデルを適用する上での課題のひとつは、解釈可能な証拠を生成することだ。 単語とラベルを共同で埋め込む手法を提案する。
  論文  参考訳（メタデータ） (2022-01-18T07:21:20Z)
• VBridge: Connecting the Dots Between Features, Explanations, and Data for Healthcare Models [85.4333256782337]
  VBridgeは、臨床医の意思決定ワークフローに機械学習の説明をシームレスに組み込むビジュアル分析ツールである。 我々は,臨床医がMLの特徴に慣れていないこと,文脈情報の欠如,コホートレベルの証拠の必要性など,3つの重要な課題を特定した。 症例スタディと専門医4名のインタビューを通じて, VBridgeの有効性を実証した。
  論文  参考訳（メタデータ） (2021-08-04T17:34:13Z)
• Leveraging Clinical Context for User-Centered Explainability: A Diabetes Use Case [4.520155732176645]
  慢性腎臓病(CKD)のリスクを評価する2型糖尿病(T2DM)症例における概念実証(POC)を実装した。 POCには、CKDのリスク予測モデル、予測のポストホック説明器、その他の自然言語モジュールが含まれています。 我々のPOCアプローチは、複数の知識ソースと臨床シナリオをカバーし、データと予測をPCPに説明するために知識をブレンドし、医療専門家から熱心に反応した。
  論文  参考訳（メタデータ） (2021-07-06T02:44:40Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。