摘要

本文介绍了一种名为Petal-X的新工具，旨在通过提供心血管疾病（CVD）风险因素的视觉解释，支持临床医生与患者之间的共享决策。Petal-X利用一种新颖的视觉表示方法——Petal Product Plots，以及一个定制的SCORE2全局代理模型，该模型的保真度与临床实践中使用的图形评分图（GSCs）相当。通过与GSCs的对比实验，结果显示Petal-X在关键任务上表现更优，如比较每个可修改风险因素对患者10年CVD风险的影响，且不会显著降低透明度、信任度或使用意愿。该研究为临床实践中风险可视化和解释提供了一种创新方法，由于其模型无关的特性，可能继续支持下一代人工智能风险评估模型。

原理

Petal-X的工作原理基于两个主要组成部分：一个定制的SCORE2全局代理模型和Petal Product Plots（PPPs）。全局代理模型是一个线性回归模型，其直接解释与挑战C1和C2紧密对齐，即理解每个风险因素的贡献和执行假设分析。PPPs是一种新颖的视觉表示方法，通过将两个非负n维向量的点积可视化，即b·z = ∑ bizi，其中bi和zi分别表示模型系数和患者标准化值。PPPs的设计目标包括使可视化元素类似于花朵（G1）、花瓣面积与bizi产品成比例（G2）、花瓣不重叠（G3）、花瓣角度编码bi值（G4）以及值zi通过平方根变换映射到花瓣长度（G5）。通过这些设计决策，PPPs能够提供一个直观且吸引人的方式来解释复杂的模型输出。

流程

Petal-X的工作流程包括以下步骤：首先，使用SCORE2模型估计患者的10年CVD风险；然后，将这些风险估计输入到定制的全局代理模型中，该模型通过线性回归来简化风险因素与风险之间的关系；接着，将模型的系数和患者的标准化风险因素值输入到PPPs中，生成一个视觉上类似于花朵的图表，其中每个花瓣代表一个风险因素，花瓣的角度和长度分别表示该风险因素的相对贡献和患者的具体值；最后，临床医生和患者可以通过这个视觉图表快速理解每个风险因素对总体风险的影响，并进行假设分析，例如通过改变某些风险因素的值来预测风险的变化。

应用

Petal-X的应用前景广泛，特别是在需要有效沟通CVD风险的临床环境中。由于其模型无关的特性，Petal-X可以适应未来更复杂的人工智能风险评估模型，为临床医生和患者提供一个直观、易于理解的工具，以支持共享决策和行为干预。此外，Petal-X的设计和评估方法可以为其他健康相关风险沟通工具的开发提供参考，推动医疗领域中解释性人工智能（XAI）的发展。