Interpretabilnost sistema za podršku kliničkom odlučivanju zasnovanog na veštačkoj inteligenciji iz tehnološke i medicinske perspektive: Sistematski pregled.
Journal of healthcare engineering
Sažetak istraživanja
Pozadina Umjetna inteligencija (AI) se brzo razvijala, a njena primjena se proteže na sistem za podršku kliničkom odlučivanju (CDSS) za poboljšanje kvaliteta zdravstvene zaštite. Međutim, interpretabilnost CDSS-a vođenog umjetnom inteligencijom predstavlja značajne izazove širokoj primjeni.
Cilj Ova studija je pregled CDSS literature zasnovane na znanju i podacima o interpretabilnosti u zdravstvenoj zaštiti. Ističe važnost interpretabilnosti za CDSS i područje za poboljšanje iz tehnološke i medicinske perspektive.
Metode Sistematska pretraga je sprovedena na literaturi vezanoj za interpretabilnost objavljenoj od 2011. do 2020. godine i indeksiranoj u pet baza podataka: Web of Science, PubMed, ScienceDirect, Cochrane i Scopus. Članci iz časopisa koji se fokusiraju na interpretabilnost CDSS-a uključeni su za analizu. Iskusni istraživači su također učestvovali u ručnom pregledavanju odabranih članaka za uključivanje/isključivanje i kategorizaciju.
Rezultati Na osnovu kriterijuma za uključivanje i isključenje, za ovu recenziju je konačno odabrano 20 članaka iz 16 časopisa. Interpretabilnost, što znači transparentnu strukturu modela, jasan odnos između ulaza i izlaza, i objašnjivost algoritama umjetne inteligencije, od suštinskog je značaja za primjenu CDSS-a u zdravstvenom okruženju.
Metode za poboljšanje interpretabilnosti CDSS-a uključuju ante-hoc metode kao što su fuzzy logika, pravila odlučivanja, logistička regresija, stabla odlučivanja za AI zasnovanu na znanju i modeli bijele kutije, post hoc metode kao što su značaj karakteristika, analiza osjetljivosti, vizualizacija i maksimizacija aktivacije za modele crne kutije. Brojni faktori, kao što su tip podataka, biomarkeri, interakcija čovjeka i AI, potrebe kliničara i pacijenata, mogu utjecati na interpretabilnost CDSS-a.
Zaključci Pregled istražuje značenje interpretabilnosti CDSS-a i sumira trenutne metode za poboljšanje interpretabilnosti iz tehnološke i medicinske perspektive.
Rezultati doprinose razumijevanju interpretabilnosti CDSS-a zasnovanog na AI u zdravstvenoj zaštiti. Buduće studije treba da se fokusiraju na uspostavljanje formalizma za definisanje interpretabilnosti, identifikaciju svojstava interpretabilnosti i razvoj odgovarajuće i objektivne metrike za interpretabilnost; osim toga, zahtjevi korisnika za interpretativnošću i načinom izražavanja i pružanja objašnjenja također su smjernice za buduća istraživanja.
Prikaži originalni naslov i sažetak na engleskom
Interpretability of Clinical Decision Support Systems Based on Artificial Intelligence from Technological and Medical Perspective: A Systematic Review.
Background Artificial intelligence (AI) has developed rapidly, and its application extends to clinical decision support system (CDSS) for improving healthcare quality. However, the interpretability of AI-driven CDSS poses significant challenges to widespread application.
Objective This study is a review of the knowledge-based and data-based CDSS literature regarding interpretability in health care. It highlights the relevance of interpretability for CDSS and the area for improvement from technological and medical perspectives.
Methods A systematic search was conducted on the interpretability-related literature published from 2011 to 2020 and indexed in the five databases: Web of Science, PubMed, ScienceDirect, Cochrane, and Scopus. Journal articles that focus on the interpretability of CDSS were included for analysis. Experienced researchers also participated in manually reviewing the selected articles for inclusion/exclusion and categorization.
Results Based on the inclusion and exclusion criteria, 20 articles from 16 journals were finally selected for this review. Interpretability, which means a transparent structure of the model, a clear relationship between input and output, and explainability of artificial intelligence algorithms, is essential for CDSS application in the healthcare setting.
Methods for improving the interpretability of CDSS include ante-hoc methods such as fuzzy logic, decision rules, logistic regression, decision trees for knowledge-based AI, and white box models, post hoc methods such as feature importance, sensitivity analysis, visualization, and activation maximization for black box models. A number of factors, such as data type, biomarkers, human-AI interaction, needs of clinicians, and patients, can affect the interpretability of CDSS.
Conclusions The review explores the meaning of the interpretability of CDSS and summarizes the current methods for improving interpretability from technological and medical perspectives. The results contribute to the understanding of the interpretability of CDSS based on AI in health care. Future studies should focus on establishing formalism for defining interpretability, identifying the properties of interpretability, and developing an appropriate and objective metric for interpretability; in addition, the user's demand for interpretability and how to express and provide explanations are also the directions for future research.
Izvorni podaci
- DOI
- 10.1155/2023/9919269
- PMID
- 36776958
- PMCID
- PMC9918364
- Provjereno
- 2026-07-26
Naslov i sažetak prevedeni su automatski i prijevod može sadržavati netačnosti ili neprecizne stručne izraze. Za sve detalje, citiranje i medicinsko tumačenje pregledajte originalnu englesku verziju članka. Ne donosite zdravstvene odluke samo na osnovu ovog prijevoda.
Pregledaj originalni članak na engleskom