Petal-X: Human-Centered Visual Explanations to Improve Cardiovascular Risk Communication

心血管疾病（CVD）是全球死亡的主要原因，大多数情况下可以通过行为干预进行预防。因此，在个人层面上，有效传达CVD风险和通过风险因素改善预期风险的减少至关重要。然而，尽管有兴趣通过改进预测模型（如SCORE2）来改善风险估计，但在临床实践中呈现这些风险估计的指南在过去几年基本上没有改变，图形评分图（GSCs）仍然是主要系统之一。本文描述了Petal-X的设计和实施，这是一种新型工具，支持临床医生和患者共同决策，解释不同因素对CVD风险的贡献，并促进假设分析。Petal-X依赖于一种新颖的可视化工具“Petal Product Plots”和一个量身定制的SCORE2全局代理模型，其保真度与临床实践中使用的GSCs相当。我们对88名医疗保健学生进行了控制实验，其中除一人外，所有人都有处理慢性病患者的经验。结果表明，与GSC相比，Petal-X在关键任务（例如比较每个可改变风险因素对患者10年CVD风险的贡献）方面表现更好，而且没有显著损失透明度、信任或使用意愿。我们的研究提供了一种创新的方法，用于在临床实践中可视化和解释风险，由于其模型不可知的性质，它可以继续支持下一代人工智能风险评估模型。

设计一种新的工具，支持医生和患者共同决策，解释心血管疾病的风险贡献和促进假设分析。

Petal-X是一种新型工具，采用花瓣产品图可视化和特定全局代理模型，比传统的图形评分图在关键任务上表现更好。

实验采用88名有经验的医疗保健学生进行，结果表明Petal-X在比较每种可修改的风险因素对患者10年心血管疾病风险的贡献等关键任务上表现更好。该工具的模型无关性质可支持下一代人工智能风险评估模型。

最近的相关研究包括使用深度学习模型进行心血管疾病风险评估和采用机器学习方法进行风险因素分析。