نموذج تعلم آلة قابل للتفسير لتنبؤ مرض الكلى المزمن

يعاني أكثر من 800 مليون شخص حول العالم من مرض الكلى المزمن (CKD). ويعتبر من الأسباب الرئيسية لوفيات العالم، حيث تم تسجيل زيادة في معدلات الوفاة خلال العشرين عامًا الماضية بين الأمراض غير السارية. يتمتع التعلم الآلي (ML) بوعود لتوقع مثل هذه الأمراض، ولكن طبيعته غير الشفافة، وصعوبة تفسير التنبؤات، وصعوبة التعرف على الأخطاء المتوقعة تحد من استخدامه في الرعاية الصحية. لمعالجة هذه التحديات، نقدم في بحثنا نموذجًا قابلًا للتفسير باستخدام التعلم الآلي مصممًا للكشف المبكر عن مرض الكلى المزمن. من خلال استخدام إطار عمل الشبكة العصبية متعددة الطبقات (MLP)، نعزز شفافية النموذج من خلال دمج تفسيرات نموذج قابل للتفسير محليًا (LIME)، مما يوفر رؤى واضحة في العمليات التنبؤية. وهذا لا يساعد فقط في توضيح عملية اتخاذ القرار في النموذج، بل يمكّن أيضًا المتخصصين في الرعاية الصحية من تحديد وتصحيح الأخطاء، وفهم حدود النموذج، وتأكيد موثوقيته. من خلال تحسين قابلية تفسير النموذج، نهدف إلى تعزيز الثقة وتوسيع استخدام التعلم الآلي في توقع مرض الكلى المزمن، مما يساهم في تحقيق نتائج صحية أفضل.