Accuracy is not enough: explainable boosting machine model and identification of candidate biomarkers for real-time sepsis risk assessment in the emergency department
Notice bibliographique
Résumé
BACKGROUND: Sepsis poses a significant threat in emergency settings, necessitating tools for early and interpretable risk assessment. This study aimed to develop a robust explainable boosting machine (EBM) model, one of the explainable artificial intelligence (XAI) technologies, to construct a predictive model that balances high accuracy and clinical interpretability for use in emergency departments (EDs) and to examine candidate biomarkers. METHODS: The study identified a significant class imbalance problem in the sepsis distribution among 560 sepsis and 1012 non-sepsis patients. To address the imbalance issue, SMOTE-NC was applied in the training data. The data was divided into two parts, 80% training and 20% testing. To ensure the reliability of the models and to report unbiased results, this process was repeated 100 times and the average performance was reported. To determine the best model for sepsis prediction, five different models (AdaBoost, Gradient Boosting, CatBoost, LightGBM, and EBM) were trained, and their performances were evaluated. In the last stage, we presented local and global explanations of EBM. RESULTS: The EBM model achieved the highest success by reaching 79.1% F1-score, 80.9% sensitivity, and 84.8% AUC after resampling. In the global explanations, the variables with the highest weights in the model's decision process were identified as positive blood culture, oxygen saturation, and procalcitonin, respectively. CONCLUSION: The EBM model accurately predicts sepsis risk based on clinically relevant biomarkers. The model's high performance and inherent transparency can foster trust among clinicians and facilitate its integration into emergency department workflows for real-time decision support.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».