可解释多模态AI改善术后决策支持

术后不良结局（如死亡、重症监护再入院和并发症）仍是临床决策的重大挑战。现有的机器学习方法虽能预测结局，但作为黑箱系统运行，限制了临床信任和治疗决策转化。此外，许多研究依赖共享中间变量的合成数据，导致输入与目标之间产生循环依赖，损害了报告性能。

研究人员开发了一种可解释的多模态架构和严格的评估方法。该框架采用两阶段架构，集成监督学习和强化学习，在真实数据上优于传统预测模型，并通过去混淆评估显著降低了性能高估。

该研究为术后临床决策提供了更可靠、可解释的AI工具，但作为预印本尚未经过同行评审。