Adding Explainability to Machine Learning Models to Detect Chronic Kidney Disease
Notice bibliographique
Résumé
Chronic Kidney Disease is a common term for multiple heterogeneous diseases in the kidneys. It is also known as Chronic Renal Disease. Chronic kidney disease (CKD) has a gradual loss of glomerular filtration rate (GFR) over three months. The patient does not observe any significant symptoms in the earlier stage of CKD, and it is not identifiable without clinical tests like urine and blood tests. Patients with CKD would have a higher chance of developing heart disease. CKD is a progressive and often irreversible process of renal function decline, which may reach an endpoint of end-stage renal failure, requiring renal replacement therapy. It is critical to diagnose progressive CKD at an early stage and predict patients prone to developing the disease further for timely therapeutic interventions. As such, researchers have expended enormous efforts in the development of novel biomarkers that may identify subjects with early CKD at risk of progression. In this study, we have developed an explainable machine learning model to predict chronic kidney disease by implementing an automated data pipeline using the Random Forest ensemble learning trees model and feature selection algorithm. The explainability of the proposed model has been assessed in terms of feature importance and explainability metrics. Three explainability methods; LIME, SHAP, and SKATER have been applied to interpret the developed model and to compare the explainability results using Interpretability, Fidelity, and Fidelity-to-Interpretability ratio as the explainability metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».