Arbore de decizie

(categorie: inteligență artificială, statistică)

Arborele de decizie este un model care împarte pacienții prin întrebări succesive de tip da/nu — ureea peste sau sub o valoare, albumina peste sau sub alta — până la ajungerea la o predicție. Structura seamănă cu un arbore răsturnat, cu ramificații care se despart la fiecare întrebare.

Este cel mai intuitiv model de învățare automată și elementul de bază din care sunt construite random forest și algoritmii de gradient boosting.

Cum funcționează

Construirea începe cu toți pacienții într-un singur grup. Algoritmul testează fiecare variabilă și fiecare valoare posibilă de tăiere și alege combinația care separă cel mai bine cele două rezultate — cine a făcut insuficiență de organ și cine nu.

Procesul se repetă în fiecare subgrup rezultat, până la îndeplinirea unei condiții de oprire: un număr minim de pacienți într-un nod, o adâncime maximă sau absența unei îmbunătățiri. Fiecare nod terminal conține o predicție.

Avantajul specific este surprinderea naturală a pragurilor și a interacțiunilor. Dacă riscul crește brusc peste o anumită valoare a ureei, arborele găsește acel punct. Dacă albumina contează doar la pacienții cu uree mare, structura ramificată captează această dependență fără ca cineva să o fi formulat.

Dezavantajul este instabilitatea. Un arbore singur se modifică substanțial la o mică schimbare în date și supraajustează ușor. De aceea, în practică, arborii sunt folosiți în ansambluri: sute de arbori combinați, prin medie în random forest sau secvențial în gradient boosting.

Roluri

Model de bază al ansamblurilor

Random forest, XGBoost și LightGBM sunt toate construite din arbori de decizie simpli, combinați în moduri diferite.

Surprinderea pragurilor

Captează natural punctele în care riscul se schimbă brusc, fără presupunerea unei relații liniare.

Surprinderea interacțiunilor

Structura ramificată permite ca o variabilă să conteze diferit în funcție de valoarea altei variabile.

Interpretabilitate directă

Un arbore mic poate fi citit ca o listă de reguli, ceea ce îl face cel mai transparent dintre modelele de învățare automată.

Relevanță clinică

Asemănarea cu raționamentul clinic este reală și explică parțial de ce acești algoritmi funcționează bine pe date medicale. Un medic gândește adesea în praguri: creatinina peste o valoare, tensiunea sub alta. Arborele face același lucru, doar sistematic și pe mai multe variabile simultan.

Aceeași asemănare explică de ce scorurile clinice clasice pot fi văzute ca arbori foarte simpli. Scorul BISAP, de exemplu, testează cinci praguri — ureea peste 25 mg/dL, vârsta peste 60 de ani — și le adună. Diferența este că pragurile au fost alese de experți, nu găsite în date.

Autorii studiului din 2026 explică superioritatea acestei familii tocmai prin natura datelor: arborii împart pacienții prin întrebări succesive și surprind natural pragurile și interacțiunile, în timp ce rețelele neurale excelează când datele au o structură internă bogată, ca pixelii unei imagini.

Un model cu sute de arbori nu mai este însă interpretabil direct. Calea prin care ajunge la un rezultat nu poate fi urmărită cu ochiul liber, de unde nevoia metodelor de explicabilitate precum SHAP.

Pentru un cititor, arborele de decizie este imaginea mentală cea mai utilă pentru a înțelege ce face un algoritm de tip XGBoost: nu caută semnale ascunse, ci împarte pacienții după valori-prag, de foarte multe ori, în combinații pe care le testează sistematic.

Ce contează la aplicare

Un arbore singur supraajustează ușor; limitarea adâncimii și a numărului minim de pacienți per nod este esențială.

În practică se folosesc ansambluri de arbori, nu arbori individuali.

Interpretabilitatea directă se pierde la ansambluri, de unde nevoia metodelor de explicabilitate.

Pragurile găsite de algoritm nu sunt neapărat praguri biologice; pot reflecta particularități ale datelor.

Variabilele corelate între ele pot fi folosite interschimbabil de arbori diferiți, ceea ce complică interpretarea importanței.

Factori care influențează structura unui arbore de decizie

Criteriul folosit pentru alegerea punctelor de tăiere.

Adâncimea maximă permisă.

Numărul minim de pacienți per nod terminal.

Numărul de variabile disponibile.

Prezența variabilelor corelate.

Dimensiunea setului de antrenament.

Proporția de evenimente în date.

Arbore de decizie în context Healthwise

Arborele de decizie este cel mai apropiat de felul în care gândesc oamenii dintre toate modelele de învățare automată — și tocmai de aceea este util ca punct de intrare pentru a înțelege ce fac algoritmii mai complecși construiți din el.

Pe Healthwise, apare ca elementul de bază al algoritmilor de tip random forest și gradient boosting și ca punte între scorurile clinice clasice și modelele moderne.

Concluzie

Arborele de decizie împarte pacienții prin întrebări succesive de tip prag, până la o predicție, și surprinde natural punctele de schimbare bruscă a riscului și interacțiunile dintre variabile.

Ce trebuie reținut: un arbore singur este instabil și supraajustează ușor, de aceea în practică se folosesc sute de arbori combinați; iar scorurile clinice clasice pot fi văzute ca arbori foarte simpli, cu praguri alese de experți în loc de date.