Explainability is a key component in building trust for computer calculated predictions when they are applied to areas with influence over individual people. This bachelor thesis project report focuses on the explanation regarding the decision making process of the machine learning method Logistic Regression when predicting mortality. The aim is to present theoretical information about the predictive model as well as an explainable interpretation when applied on the clinical MIMIC-III database. The project found that there was a significant difference between particular features considering the impact of each individual feature on the classification. The feature that showed the greatest impact was the Glasgow Coma Scale value, which could be proven through the fact that a good classifier could be constructed with only that and one other feature. An important conclusion from this study is that a great focus should be enforced early in the implementation process when the features are selected. In this specific case, when medical artificial intelligence is implemented, medical expertise is desired in order to make a good feature selection.

Förklarbarhet är en viktig komponent för att skapa förtroende för datorframtagna prognoser när de appliceras på områden som påverkar individuella personer. Denna kandidatexamensarbetesrapport fokuserar på förklarandet av beslutsprocessen hos maskininlärningsmetoden Logistic Regression när dödlighet ska förutsägas. Målet är att presentera information om den förutsägande modellen samt en förklarbar tolkning av resultaten när modellen appliceras på den kliniska databasen MIMIC-III. Projektet fann att det fanns signifikanta skillnader mellan särskilda egenskaper med hänsyn till den påverkan varje enskild egenskap har på klassificeringen. Den egenskapen som visade ha störst inverkan var Glascow Coma Scale värdet, vilket kunde visas via det faktum att en god klassificerare kunde konstrueras med endast den och en annan egenskap. En viktig slutsats av denna studie är att stort fokus bör läggas tidigt i implementationsprocessen då egenskaperna väljs. I detta specifika fall, då medicinsk artificiell intelligens implementeras, krävs medicinsk expertis för att göra ett gott egenskapsurval.