Zespół naukowców zaprezentował ramę statystyczną do tworzenia w pełni interpretowalnych, opartych na regułach systemów klasyfikacji klinicznych z wykorzystaniem modelu Bernoulli Naive Bayes. Zamiast tradycyjnych czarnych skrzynek AI, metoda automatycznie identyfikuje optymalne progi decyzyjne dla ciągłych zmiennych medycznych, konwertując je na zmienne binarne poprzez test chi-kwadrat. Dzięki temu BNB może pracować na rzeczywistych danych medycznych, zachowując pełną przejrzystość - każda decyzja może być wyjaśniona lekarzom konkretną regułą.
Badacze przetestowali podejście na trzech znanych zbiorach danych: Pima Indians Diabetes, Wisconsin Breast Cancer i Heart Failure Prediction. Wyniki były imponujące - wartości AUC wyniosły odpowiednio 0.800, 0.984 i 0.919, co plasuje metodę na poziomie bardziej złożonych modeli. Dodatkowo zespół ocenił wiarygodność probabilistyczną poprzez kalibrację, stosując wskaźniki Brier score, kalibracyjny intercept i slope oraz post-hoc kalibrację beta, co poprawiło szacunki ryzyka.
To rozwiązanie może okazać się przełomowe dla adopcji AI w medycynie. Lekarze i regulatory часто obawiają się wdrażać modele, których nie potrafią wyjaśnić pacjentom i kolegom. Nowy framework eliminuje ten problem, oferując wydajność porównywalną z zaawansowanymi modelami przy jednoczesnym utrzymaniu pełnej przejrzystości decyzji i rzetelnych oszacowań ryzyka klinicznego.