SHAP
SHAP (SHapley Additive exPlanations) to metoda analizy wyjaśnialności modeli uczenia maszynowego wykorzystywana w medycynie i badaniach klinicznych. Opiera się na teorii gier kooperacyjnych, przypisując każdej cesze wartość określającą jej wpływ na przewidywania modelu.
W kontekście medycznym SHAP pozwala zrozumieć, które czynniki biologiczne, kliniczne czy demograficzne mają największy wpływ na prognozę lub diagnozę generowaną przez algorytm. Metoda ta jest szczególnie cenna w medycynie precyzyjnej, gdzie interpretacja modeli predykcyjnych ma kluczowe znaczenie dla podejmowania decyzji klinicznych.
SHAP dostarcza zarówno globalnych wyjaśnień (które cechy są najważniejsze dla całego modelu), jak i lokalnych (dlaczego model dokonał konkretnej predykcji dla danego pacjenta). Ta właściwość czyni go cennym narzędziem w badaniach biomedycznych i wdrażaniu rozwiązań AI w praktyce klinicznej, gdzie zrozumienie procesu decyzyjnego algorytmu jest niezbędne z perspektywy etycznej i regulacyjnej.
Powiązane wpisy
- Leksykon chorób i schorzeń
Tętniak – Rokowania, prognozy i postęp choroby
Przewidywanie długoterminowych wyników funkcjonalnych po pęknięciu tętniaka wewnątrzczaszkowego (aSAH) jest kluczowe dla optymalizacji terapii neurointensywnej. Modele prognostyczne, takie jak te opracowane w badaniu SAHIT na danych 10 936 pacjentów (AUC 0,80-0,81 dla wyników funkcjonalnych i 0,76-0,78 dla śmiertelności), wykorzystują zmienne oceniane przy przyjęciu, m.in. skalę WFNS, wiek, zmodyfikowaną skalę Fishera, czas do zabiegu oraz wystąpienie udaru po przyjęciu (zwiększające ryzyko złego wyniku czterokrotnie). Southwestern Aneurysm Severity Index przewiduje wynik w skali Glasgow Outcome Score po roku z AUC około 0,81 i kalibracją R²=0,939. W leczeniu tętniaków aorty brzusznej EVAR wykazuje przewagę krótkoterminową, jednak korzyści te zanikają w długim okresie, a istniejące modele predykcyjne nie są jeszcze powszechnie stosowane klinicznie. Złożoność sygnału fizjologicznego (MSE) oraz zaawansowane metody uczenia maszynowego (np. Random Forest z AUC=0,867) stanowią obiecujące narzędzia prognostyczne, choć ich uniwersalność wymaga dalszej walidacji.
autoregulacja, jakość życia, krwotok podpajęczynówkowy, krzywa ROC, leczenie wewnątrznaczyniowe, mikroRNA, model predykcyjny, napad drgawkowy, niepęknięty tętniak wewnątrzczaszkowy, niewydolność oddechowa, obrzęk mózgu, płyn mózgowo-rdzeniowy, powikłanie zakrzepowo-zatorowe, SHAP, sieć neuronowa, skala Fishera, skala Glasgow Outcome Score, skala Hunt-Hess, skala Rankina, skala WFNS, skurcz naczyniowy, tętniak aorty brzusznej, tętniak wewnątrzczaszkowy, uczenie maszynowe, udar, wodogłowie, zawał mięśnia sercowego, zawał mózgu - Leksykon chorób i schorzeń
Mięśniaki macicy – Rokowania, prognozy i postęp choroby
Rokowanie w przypadku mięśniaków macicy (leiomyoma uteri) jest generalnie dobre, jednak precyzyjna ocena przebiegu choroby wymaga uwzględnienia wielu czynników ryzyka, zwłaszcza u kobiet po menopauzie. Opracowano modele predykcyjne i nomogramy, które uwzględniają takie parametry jak postępujący wzrost guzów po menopauzie, średnica największego mięśniaka, stężenie antygenu rakowo-zarodkowego 125 (CEA 125), stosunek neutrofilów do limfocytów oraz stężenie jonów fosforanowych w surowicy. Model ten wykazał dobrą wydajność diagnostyczną z AUC = 0,724 i został zwalidowany metodą bootstrap, przewyższając wcześniejsze modele kliniczne w identyfikacji nietypowych postaci mięśniaków lub mięsaków gładkokomórkowych (leiomyosarcoma). System Myomscore umożliwia skuteczną stratyfikację ryzyka, identyfikując 4,4% pacjentek jako wysokiego ryzyka, wśród których częstość zmian złośliwych wynosiła 12,5%, co pozwala na optymalizację decyzji chirurgicznych bez konieczności stosowania specjalistycznych narzędzi.