Aprendizaje profundo multimodal para la detección de ARDS

Área de la Ciencia:

• La inteligencia artificial médica
• Medicina de cuidados intensivos
• Ciencia de los datos

Sus antecedentes:

• El síndrome de dificultad respiratoria aguda (SRAP) está asociado con malos resultados en los pacientes.
• El diagnóstico precoz de ARDS es crucial para mejorar los resultados de los pacientes.
• Los modelos actuales de aprendizaje automático para la detección ARDS no aprovechan plenamente los datos multimodales.

Objetivo del estudio:

• Desarrollar un modelo multimodal de aprendizaje profundo para predecir el ARDS.
• Integrar diversas fuentes de datos, incluidas las imágenes, la ventilación y los registros electrónicos de salud.
• Mejorar la precisión de la detección de ARDS mediante la utilización de la multimodalidad.

Principales métodos:

• Se entrenó un modelo de aprendizaje profundo utilizando radiografías de tórax, datos de la forma de onda del ventilador (VWD) y datos tabulares del registro electrónico de salud (EHR) de 220 pacientes de UCI.
• Se utilizaron codificadores previamente entrenados para obtener imágenes y datos de VWD, con un extractor de características entrenado en datos tabulares.
• Se realizaron estudios de ablación para evaluar la contribución de cada modalidad de datos.

Principales resultados:

• El modelo de aprendizaje profundo trimodal logró un área bajo la curva del operador receptor (AUROC) de 0.86.
• Este rendimiento fue una mejora estadísticamente significativa con respecto a los modelos monomodal y bimodal.
• El modelo demostró una capacidad predictiva superior mediante la integración de múltiples fuentes de datos.

Conclusiones:

• El aprendizaje profundo puede abordar de manera efectiva condiciones complejas con datos heterogéneos.
• El marco multimodal desarrollado es prometedor para la detección de ARDS.
• Se necesitan más investigaciones para aclarar plenamente los efectos aditivos de las diferentes modalidades de datos en el diagnóstico de la ERA.