Interpretable AI in EHR-Based Clinical Decision Support: A Scoping Review of Models, Methods, and Trends
Notice bibliographique
Résumé
Background: Electronic Health Records (EHRs) generate vast volumes of structured and unstructured patient data, and artificial intelligence (AI) is increasingly proposed to convert that data into actionable clinical insight. Yet the opacity of many AI models — their so-called "black box" character — continues to limit clinician trust and real-world adoption, which is precisely why interpretable, or explainable, AI has drawn so much recent attention. Aims: This scoping review set out to map how AI models and interpretability methods have been applied within EHR-based Clinical Decision Support Systems (CDSS), and to characterize the clinical domains, countries, and outcomes represented in this literature. Methods: Following PRISMA-ScR guidance, we searched PubMed, Scopus, Web of Science, and IEEE Xplore for peer-reviewed studies published between 2018 and 2023. After screening, 36 studies met inclusion criteria and were charted for AI model type, interpretability method, clinical domain, country, sample size, and reported outcome. Results: Neural networks were the most frequently applied model (13 studies), followed by random forest (9), XGBoost (8), and logistic regression (6). SHAP was the dominant interpretability method (15 studies), ahead of attention-based visualization (12) and LIME (9). Cardiology was the most studied domain (10 studies), and contributions were evenly spread across the USA, Canada, the UK, India, Germany, and Australia (6 each). Sample sizes ranged from 430 to 1,350 patients. Conclusion: Interpretable AI is steadily, if unevenly, being woven into EHR-based CDSS research. Closing the gap in underrepresented domains and standardizing how interpretability itself is evaluated remain the field's clearest next steps.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».