用可解释机器学习构建糖尿病风险预测工具，支持交互式分析与共病关联。
Interactive Diabetes Risk Prediction Using Explainable Machine Learning: A Dash-Based Approach with SHAP, LIME, and Comorbidity Insights
- 基于轻量级梯度提升模型（LightGBM）与欠采样策略提升风险检测灵敏度。
- 在2015年CDC BRFSS数据集上实现最佳召回率，适合作为早期筛查工具。
- 集成SHAP/LIME解释器和共病相关性分析，适合医疗从业者与公众使用。
本研究开发了一款基于Dash的交互式健康风险预测工具，用于评估糖尿病风险。基于2015年美国疾病控制与预防中心（CDC BRFSS）数据集，评估了逻辑回归、随机森林、XGBoost、LightGBM、KNN及神经网络等模型，在原始数据、SMOTE过采样与欠采样策略下的表现。结果显示，采用欠采样的LightGBM模型召回率最高，适合风险检测。工具整合了SHAP与LIME可解释性方法，通过皮尔逊相关性分析揭示共病关联，并提供用户友好的界面，支持个性化建议与特征洞察，促进数据驱动的健康管理意识。
原文摘要 · Abstract (English)
This study presents a web-based interactive health risk prediction tool designed to assess diabetes risk using machine learning models. Built on the 2015 CDC BRFSS dataset, the study evaluates models including Logistic Regression, Random Forest, XGBoost, LightGBM, KNN, and Neural Networks under original, SMOTE, and undersampling strategies. LightGBM with undersampling achieved the best recall, making it ideal for risk detection. The tool integrates SHAP and LIME to explain predictions and highlights comorbidity correlations using Pearson analysis. A Dash-based UI enables user-friendly interaction with model predictions, personalized suggestions, and feature insights, supporting data-driven health awareness.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。