Explainable AI modelling of Comorbidity in Pregnant Women and Children with Tropical Febrile Conditions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Febrile diseases often exhibit overlapping symptoms, posing a challenge for their differential diagnosis. This challenge is particularly critical in pregnant women and children, where early and accurate diagnosis is vital to mitigate the elevated risk of maternal mortality prevalent in tropical and subtropical regions. Despite the commonality of fever as a symptom, the diverse range of potential co-morbidities necessitates an exploration of associated illnesses. This study employs the eXtreme Gradient Boosting (XGBoost) machine learning algorithm to classify febrile diseases' co-morbidities in pregnant women and children under 5 years. The dataset, comprising 1,350 records from selected health facilities across Niger-delta states in Nigeria, contributes to informed decision-making by physicians, ultimately enhancing healthcare provision. Evaluation results demonstrate the classifier's high precision (0.995) and recall (1.00) for the children dataset, while precision and recall of 1.00 are achieved for the pregnant women dataset. To facilitate model explanation and result interpretation, an eXplainable Artificial Intelligence (XAI) approach, specifically the SHapley Additive exPlanations (SHAP) method, is applied. The summary plot highlights upper and lower respiratory tract infections and malaria as the predominant diseases co-morbidities in children. In contrast, pregnant women exhibit upper and lower urinary tract infections, and malaria as the highest-ranking diseases co-morbidity. These results underscore the potential of ML techniques in accurately classifying febrile conditions' co-morbidities, contributing to the reduction of adverse health outcomes. The study's findings offer valuable insights for healthcare providers, enabling them to deliver more targeted and effective care to these vulnerable populations, thereby enhancing overall well-being.
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle