Exploring Algorithmic Explainability: Generating Explainable AI Insights for Personalized Clinical Decision Support Focused on Cannabis Intoxication in Young Adults

本研究探讨了将可解释人工智能（XAI）技术与传感器数据相结合，以便为研究人员和临床医生提供个性化的大麻中毒行为分析，从而促进算法决策的可能性。SHAP分析了特定因素的重要性并量化了其影响，例如环境噪声或心率，使临床医生能够确定有影响力的行为和环境条件。SkopeRules简化了特定活动或环境使用的大麻使用理解。决策树清晰地展示了因素如何相互作用以影响大麻消费。反事实模型有助于确定可能改变大麻使用结果的行为或条件的关键变化，以指导有效的个性化干预策略。这种多维分析方法不仅揭示了大麻使用后行为和生理状态的变化，例如活动状态频繁波动、非传统的睡眠模式以及不同时间和地点的特定使用习惯，而且强调了个体对大麻使用反应的差异的重要性。这些见解对于寻求更深入了解患者多样化需求并为其量身定制精准干预策略的临床医生具有深远的意义。此外，我们的研究结果突显了XAI技术在增强临床决策支持系统（CDSS）的透明度和可解释性方面的关键作用，特别是在物质滥用治疗方面。这项研究对于推进旨在预防和减少与大麻相关的健康危害的临床实践的持续努力做出了重要贡献，将XAI作为临床医生和研究人员的支持工具。

这篇论文旨在探索将可解释的人工智能（XAI）技术与传感器数据相结合，以提供个性化的大麻中毒行为分析，帮助研究人员和临床医生。

论文的关键思路是使用SHAP、SkopeRules、决策树和反事实模型等XAI技术来分析大麻使用行为，以便临床医生可以更好地了解患者的需求并制定有效的干预策略。

论文采用多维分析方法揭示了大麻使用后行为和生理状态的变化，强调了个体差异对大麻使用反应的重要性。此外，论文还强调了XAI技术在增强临床决策支持系统的透明度和可解释性方面的潜力。

最近在这个领域中，其他相关研究包括“基于深度学习的大麻使用行为分类”和“使用机器学习来预测大麻使用障碍的发展”。