Erklärbares KI-Tool zur PCOS‑Risikobewertung: Fairness, Kalibrierung, Anwendung

Ein neues, erklärbares KI‑Framework wurde vorgestellt, das die Vorhersage von polyzystischem Ovarialsyndrom (PCOS) mit besonderem Fokus auf Fairness und Interpretierbarkeit optimiert. Durch die Kombination von SHAP‑Feature‑Attributions und demografischen Audits verbindet das System erklärbare Modellentscheidungen mit beobachteten Ungleichheiten, sodass klinische Teams gezielte Maßnahmen ergreifen können.

Die Autoren haben mehrere Klassifikatoren – Random Forest, SVM und XGBoost – mit isotonischer und Platt‑Skalierung kalibriert. Der kalibrierte Random Forest erzielte eine beeindruckende Genauigkeit von 90,8 % und zeigte gleichzeitig eine ausgewogene Balance zwischen Brier‑Score (0,0678) und Expected Calibration Error (0,0666). Die SHAP‑Analyse identifizierte Follikelzahl, Gewichtszunahme und Menstruationsunregelmäßigkeiten als die wichtigsten Prädiktoren, was die klinische Relevanz des Modells unterstreicht.

Eine detaillierte Subgruppenanalyse offenbarte, dass das Modell bei Frauen im Alter von 25 bis 35 Jahren die höchste Genauigkeit von 90,9 % erreichte, während bei Personen unter 25 Jahren die Leistung mit 69,2 % deutlich zurückfiel. Besonders bemerkenswert ist die perfekte Präzision bei adipösen Frauen und die hohe Sensitivität bei schlanken PCOS‑Patientinnen, was die Robustheit des Modells über verschiedene Phänotypen hinweg bestätigt.

Das Tool ist nun bereit für die klinische Implementierung und bietet Ärzten eine transparente, kalibrierte Risikoabschätzung, die gleichzeitig Fairness gewährleistet. Durch die Kombination aus hoher Genauigkeit, erklärbarer Entscheidungsfindung und ausgewogener Kalibrierung könnte dieses System die Diagnose und Behandlung von PCOS nachhaltig verbessern.