PA-362 Towards explainable AI-based decision support in predicting SARS-CoV-2 breakthrough infections in a SSA context
Notice bibliographique
Résumé
Background Vaccinated persons are still prone to SARS-CoV-2 breakthrough infection since vaccines do not offer 100% protection. Thus, quick decision-making on identifying high-risk persons prone to COVID-19 breakthrough infection is essential for effective medical care and cost saving. We explore how one can use Explainable Artificial Intelligence (XAI) to create a decision-making tool that can aid medical professionals in detecting patients prone of SARS-CoV-2 breakthrough in South Africa and beyond. Methods A dataset obtained from an intervention study on volunteers with cardiovascular disease (CVD) risk factors conducted in Cape Town, South Africa, comprising symptoms and feedback from 257 persons — 203 were vaccinated and 54 not — was used for the investigation. Two machine learning algorithms: Deep Multilayer Perceptron (Deep MLP) and the XGBoost classifier were trained on the dataset. The Shapley Additive Explanations (SHAP) was used to investigate the most critical variables influencing breakthrough infection from the ML models’ results. Lastly, a decision-support tool for detecting patients prone to breakthrough infection that leverages the ML model with the best results was created. Results The results show that the XGBoost model performed better (F1= 0.86; AUC = 0.74; G-Mean=0.71; MCC=0.49). Body temperature, total cholesterol, glucose level, blood pressure, waist circumference, body weight, body mass index (BMI), haemoglobin level, and physical activity per week are the most critical variables influencing breakthrough infection. Conclusion We established threshold values for each of them so that we could classify every new value as either high or low, and used these to construct an XAI model that combines machine learning and rule-based reasoning to predict if a patient is prone to breakthrough and provide a rationale/justification for the prediction made. Funding: This research was partially supported by a grant from the South African Medical Research Council (SAMRC).
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».