PloS one
2026-01-01
Wyjaśnialne uczenie maszynowe w przewidywaniu aktywności życia codziennego przy wypisie pacjentów po udarze: badanie retrospektywne z wykorzystaniem interpretowalności SHAP
Explainable machine learning for predicting activities of daily living at discharge in stroke patients: A retrospective study using SHAP interpretability.
Recenzja AI
Cel badania
Celem badania było opracowanie modelu uczenia maszynowego do przewidywania aktywności życia codziennego (ADL) u pacjentów po udarze oraz zidentyfikowanie kluczowych predyktorów, które mogą wspierać decyzje rehabilitacyjne.
Metoda
Analizowano dane 589 pacjentów po udarze, dzieląc ich na grupy z dobrą i słabą funkcjonalnością ADL, a następnie zastosowano różne algorytmy uczenia maszynowego oraz analizę SHAP w celu interpretacji wyników.
Wyniki
Z sześciu z 41 wybranych cech, model random forest osiągnął najlepsze wyniki (AUC = 0.958; dokładność = 0.936), a kluczowe czynniki przewidujące to wskaźnik Barthela przy przyjęciu, równowaga stojąca oraz umiejętności związane z ubieraniem się i pielęgnacją.
Znaczenie dla praktyki
Model przewidywania ryzyka ADL, szczególnie oparty na algorytmie random forest, wykazuje doskonałą wydajność predykcyjną oraz interpretowalność kliniczną, co czyni go cennym narzędziem w ocenie ryzyka umiejętności życia codziennego u pacjentów po udarze w Polsce.
Abstrakt oryginalny
PURPOSE: We aimed to develop a machine learning model to predict activities of daily living (ADL) at discharge in stroke patients and identify key predictors to guide rehabilitation decisions. MATERIALS AND METHODS: Data of 589 stroke inpatients (2019-2024) were split into good (BI ≥ 60) and poor (BI < 60) ADL groups. Continuous variables were processed using Z-score normalization, followed by preliminary univariate regression screening (P < 0.05) and final feature selection via LASSO regression (lambda.1se = 0.0488). The screened features were used to train and validate ten machine learning algorithms; 30% of the dataset (n = 177) was allocated as an independent test set for model evaluation, and SHAP analysis was performed to interpret the optimal model. RESULTS: Six of 41 features were retained. Random forest achieved the best performance (AUC = 0.958; accuracy = 0.936; sensitivity = 0.934; specificity = 0.950). SHAP identified the top drivers: admission Barthel Index, standing balance, Brunnstrom stages (upper and lower limb), dressing, and grooming abilities. CONCLUSION: The ADL risk prediction model constructed using machine learning, particularly the random forest model, shows excellent predictive performance and clinical interpretability, making it valuable for individualized risk assessment of daily living skills in stroke patients at discharge.