在资源匮乏地区，利用可解释的人工智能方法整合尿路感染的风险因素和症状以进行诊断 Kingsley Attai, Daniel Asuquo, Kingsley Akputu, Okure Obot, Cornelia Thomas, Faith-Valentine Uzoka, Ekerette Attai, Christie Akwaowo, Faith-Michael Uzoka

《Information》：Integrating Risk Factors and Symptoms for Urinary Tract Infection Diagnosis Using an Explainable AI Approach in Low-Resource Regions Kingsley Attai, Daniel Asuquo, Kingsley Akputu, Okure Obot, Cornelia Thomas, Faith-Valentine Uzoka, Ekerette Attai, Christie Akwaowo and Faith-Michael Uzoka

　　

摘要

尿路感染（UTIs）是全球最常见的细菌感染之一，尤其在低收入和中等收入国家（LMICs）造成了严重的健康负担，这主要是由于诊断延误、实验室服务有限以及抗菌药物耐药性的增加。本研究提出了一个基于机器学习（ML）的诊断支持框架，用于早期检测尿路感染，该框架利用结构化的临床数据和可解释的人工智能（XAI）技术来提高医疗提供者的可解释性和信任度。研究中使用了包含4865条记录的患者数据集来训练和测试极端梯度提升（XGBoost）、决策树（DT）和随机森林（RF）分类器，并通过合成少数样本过采样技术（SMOTE）解决了类别不平衡问题。模型的性能通过准确性、精确度、召回率、F1分数、对数损失（Log Loss）和AUC-ROC进行评估，其中随机森林表现最佳（准确性：86.43%，F1分数：86.71%，AUC-ROC：0.8695）。为了确保这些模型能够被卫生行业的利益相关者采用，还整合了局部可解释模型无关解释（LIME）技术，该技术确定了排尿疼痛、尿频和耻骨上疼痛作为模型中的主要预测因素。研究表明，在资源有限的地区，可解释的机器学习模型有助于预测尿路感染，从而为改善这些地区的感染管理提供解决方案。