metoda SHAP
Metoda SHAP (SHapley Additive exPlanations) to technika interpretacji modeli uczenia maszynowego opracowana na podstawie teorii gier, a dokładniej wartości Shapleya. W medycynie jest wykorzystywana do wyjaśniania, w jaki sposób różne cechy wpływają na prognozy modeli diagnostycznych lub prognostycznych.
SHAP przypisuje każdej zmiennej wejściowej wartość, która reprezentuje jej wkład w ostateczną predykcję modelu. Dzięki temu lekarze mogą zrozumieć, które parametry kliniczne, laboratoryjne czy obrazowe mają największy wpływ na diagnozę lub rokowanie przewidywane przez algorytm.
W praktyce klinicznej metoda SHAP wspiera medycynę opartą na dowodach, umożliwiając przejrzyste przedstawienie, dlaczego model sztucznej inteligencji zasugerował określoną decyzję medyczną. Jest to szczególnie istotne w specjalnościach wykorzystujących złożone modele predykcyjne, jak onkologia, kardiologia czy radiologia, gdzie transparentność decyzji algorytmicznych ma kluczowe znaczenie dla akceptacji przez środowisko medyczne.
Powiązane wpisy
- Leksykon chorób i schorzeń
Zapalenie otrzewnej – Rokowania, prognozy i postęp choroby
Zapalenie otrzewnej pozostaje schorzeniem o wysokiej śmiertelności, sięgającej 90-93% w przypadkach sepsy brzusznej i zespołu wstrząsu toksycznego. W diagnostyce i prognozowaniu wyników leczenia istotne są obiektywne systemy punktacji, takie jak p-POSSUM i MPI, które wykazują dobrą zdolność predykcyjną (AUROC odpowiednio 0,756 i 0,757) z punktami odcięcia na poziomie 29,1% i 27 punktów. System PPS cechuje się najwyższą dokładnością (AUC=0,942) i wartością predykcyjną (83,3%) w przewidywaniu śmiertelności u pacjentów z wtórnym rozlanym zapaleniem otrzewnej. Wielodomenowy model predykcyjny (MPPM) integrujący dane demograficzne, fizjologiczne i chirurgiczne osiąga wysoką skuteczność prognostyczną (AUROC 0,87), podkreślając znaczenie zamknięcia skóry, SAPS-II i MPI jako kluczowych czynników prognostycznych. Wskaźnik Charlsona, poziom albuminy i Kt/V są istotne w kontekście wczesnego zapalenia otrzewnej u pacjentów dializowanych otrzewnowo, które wiąże się z wyższym ryzykiem niepowodzenia techniki dializacyjnej (HR 1,801, p=0,051).
albumina w surowicy, białko C-reaktywne, dializa otrzewnowa, funkcja nerek, krzywa ROC, Mannheim Peritonitis Index, marskość wątroby, metoda SHAP, model predykcyjny, niepowodzenie leczenia, paracenteza, skala APACHE II, spontaniczne bakteryjne zapalenie otrzewnej, system prognostyczny, wodobrzusze, wtórne zapalenie otrzewnej, zapalenie otrzewnej, zespół wstrząsu toksycznego - Leksykon chorób i schorzeń
Utrata słuchu – Rokowania, prognozy i postęp choroby
Dokładne przewidywanie prognozy w nagłej idiopatycznej głuchocie czuciowo-nerwowej (ISSHL) jest kluczowe dla optymalizacji leczenia i doradztwa pacjentów. Negatywne czynniki prognostyczne obejmują ciężki ubytek słuchu, zwłaszcza w wysokich częstotliwościach, rozpoczęcie poprawy po ponad 2 tygodniach, wiek powyżej 50,7 lat, zawroty głowy, późne rozpoczęcie terapii oraz zstępujący kształt audiogramu. Modele uczenia maszynowego, takie jak głęboka sieć neuronowa (DNN) z dokładnością 88,81% i AUROC 0,9448, LightGBM (AUROC 0,915) oraz MLP (AUROC 0,911), przewyższają tradycyjną regresję logistyczną w predykcji powrotu słuchu. Metoda SHAP wskazała kształt audiogramu jako najważniejszy czynnik prognostyczny. W ocenie powrotu słuchu stosuje się kryteria Siegela, które w nowoczesnym, spersonalizowanym podejściu uwzględniają indywidualne zakresy uszkodzonych częstotliwości, co zmienia klasyfikację u 7% pacjentów.
aparat słuchowy, audiogram, audiometria, choroba Ménière’a, etiologia genetyczna, głęboka sieć neuronowa, głęboki ubytek słuchu, implantacja ślimakowa, latencja N1, latencja P1, metoda SHAP, model wieloczynnikowy, percepcja mowy, próg słyszenia, rozumienie mowy, szumy uszne, uczucie pełności w uchu, utrata słuchu, zapalenie opon mózgowych, zawroty głowy - Leksykon chorób i schorzeń
Mięśniaki macicy – Rokowania, prognozy i postęp choroby
Precyzyjne prognozowanie skuteczności leczenia mięśniaków macicy metodą ablacji zogniskowaną wiązką ultradźwięków o wysokiej intensywności (HIFU) jest kluczowe dla optymalizacji terapii. Wykorzystanie zaawansowanych modeli radiomicznych opartych na algorytmie LightGBM pozwoliło na uzyskanie wysokich wartości AUC: 87,2 (95% CI=87,1-87,5) dla sekwencji T2WI oraz 84,8 (95% CI=84,6-85,7) dla CE-T1WI, co stanowi istotną poprawę w stosunku do wcześniejszych modeli z AUC na poziomie 82,2. Modele te analizują heterogeniczność strukturalną mięśniaków, wykorzystując cechy radiomiczne odzwierciedlające intensywność sygnału, które są silnie skorelowane z wynikami terapii HIFU.