商傳媒｜何映辰／台北報導

根據《Bioengineer.org》報導，研究人員近期發表一個創新的可解釋式人工智慧（AI）框架，旨在深入分析自殺與兇殺等蓄意性傷害致死的原因。這項開創性的方法運用透明的機器學習模型，剖析蓄意性傷害複雜的流行病學，以期提升監測、介入措施及政策制定效率。

長期以來，美洲地區一直飽受高發生率的蓄意性傷害困擾，這是一項對社會產生深遠影響的公共衛生議題。傳統的監測方法難以捕捉導致這些死亡事件的細微社會人口統計學及環境因素。

新推出的可解釋式 AI 模型代表了一種典範轉移，它結合了預測能力與可解釋性。這使得相關單位不僅能預測高風險族群，還能理解風險背後的驅動因素。研究團隊利用多面向數據集，包括社會經濟指標、健康紀錄、地理與時間變數，訓練 AI 演算法以偵測傳統統計技術難以察覺的非線性模式。該模型運用了如 SHAP（Shapley Additive exPlanations）和注意力機制等尖端的可解釋機器學習技術，確保準確性與可解釋性兼顧。

透過將 AI 模型應用於美洲多國的數據，研究人員揭示了美洲地區蓄意性傷害致死率長期存在、且過去未能充分理解的區域差異。該方法闡明了經濟剝奪、心理健康資源的可近性、都市化程度以及人口統計學因素之間錯綜複雜的相互作用，揭示不同社區的獨特脆弱性。AI 分析也強調，社會經濟弱勢的影響會受到文化對心理健康的態度以及社區支持結構等其他背景因素的調節。

這款 AI 模型的高度透明性，使其成為公共衛生機構建立即時監測系統的有效工具。這些系統能夠動態監控風險因素的變化，從而促使公共衛生部門對新興危機做出迅速反應。透過引導針對特定高風險群體量身打造的即時介入措施，潛在地挽救生命。研究作者們強調，可解釋性對於緩解 AI 模型中固有的偏見至關重要，尤其在處理涉及暴力與心理健康的敏感數據時。透過為預測結果提供清晰的解釋，該框架能增強問責制，並支持制定公平且具文化敏感性的健康政策。

這項跨領域的研究合作涵蓋了電腦科學家、流行病學家、社會學家及公共衛生官員。研究成果為未來全球公共衛生監測領域的 AI 應用樹立了先例，突顯了平衡尖端機器學習能力與透明度、道德嚴謹性的必要性。研究團隊預計將其框架擴展，納入社群媒體情緒和穿戴式健康裝置等新興數據流，這可能提供更早的預警訊號並豐富風險分層。藉由持續改進可解釋性與預測準確性，這些 AI 系統有望徹底改變全球的公共衛生監測模式。