可解释 AI 预测脑卒中患者出院去向：临床决策支持系统的开源实现

Seif AI Lab开源了发表于PLOS ONE期刊的脑卒中出院去向预测研究代码，基于可解释人工智能框架，旨在为临床医生提供透明的决策支持，帮助优化急性脑卒中患者的出院规划。该开源项目有助于增强临床对AI工具的信任，促进AI辅助决策在医疗场景的落地，是医疗AI、可解释机器学习领域值得关注的资源。

急性脑卒中是全球死亡和长期残疾的主要原因之一，患者出院去向（回家、康复机构、长期护理设施）直接影响康复效果和生活质量。传统决策依赖医生经验，缺乏系统数据支持；AI技术虽有潜力，但"黑盒"特性带来可解释性与可信度挑战本研究针对此问题，构建可解释AI框架辅助出院决策。

• 数据集来源：哈佛数据仓库公开数据集《Complete Stroke Data Repository V 3.0》（作者Voura E.，DOI:10.7910/DVN/OYNYB4，2026年），含完整临床信息。
• 研究发表：成果发表于PLOS ONE，论文标题《An Explainable Artificial Intelligence Framework for Clinical Decision Support in Stroke Discharge Planning》。

框架核心目标：平衡预测准确性与可解释性，辅助而非替代医生决策。 可解释性的重要性：

1. 临床信任：医生需理解AI建议依据才能采纳；
2. 患者沟通：帮助医护向家属解释出院方案；
3. 质量审计：便于医院审查决策流程；
4. 偏差检测：发现模型潜在偏见并修正。

开源仓库核心内容：

• 主分析笔记本：Plos_One__Discharge_Disposition__code.ipynb（含数据处理、模型训练评估）；
• 补充文档：S1_Code_README.txt；
• 序列化模型：final_macro_f1_model_pipeline.joblib等；
• 依赖与引用：requirements.txt、CITATION.cff。 模型评估采用宏平均F1分数，平衡精确率与召回率，重视类别不平衡的医疗数据中每个类别。

临床意义：

1. 早期规划：入院早期开始出院规划，提升资源调配效率；
2. 资源优化：提前识别需康复/长期护理患者，合理安排床位；
3. 家属沟通：提供数据支持，助力出院方案讨论；
4. 质量改进：分析预测因素，识别临床流程改进机会。 研究复现价值：验证结果、本地数据测试、探索模型架构、扩展至其他疾病领域。

局限性：

1. 研究用途：未经过临床级验证，不适用于直接患者护理；
2. 数据依赖：性能受输入数据质量与代表性影响；
3. 泛化能力：不同人群分布下性能可能下降。 伦理考量：
4. 隐私保护：严格保护患者敏感健康信息；
5. 公平性：确保模型对不同人群（年龄、性别、种族）公平；
6. 人机协作：AI辅助而非取代医生，最终决策权在医生。

本开源项目展示了可解释AI在医疗领域的应用潜力，通过透明决策依据增强临床信任，推动AI辅助决策落地。对于医疗AI、可解释机器学习或临床决策支持系统的研究者与开发者，是值得深入研究的优质开源资源。