Apoyo personalizado a la toma de decisiones mediante aprendizaje automático para pensamientos y comportamientos...

Área de la Ciencia:

• Psiquiatría e inteligencia artificial
• Sistemas de apoyo a la toma de decisiones clínicas
• Salud pública y análisis predictivo

Sus antecedentes:

• Los pacientes en los departamentos de emergencia psiquiátrica enfrentan altos riesgos a corto plazo de pensamientos y comportamientos suicidas (STB).
• Las herramientas actuales para identificar a las personas de alto riesgo son insuficientes, lo que dificulta la toma de decisiones clínicas efectivas.
• Existe una necesidad crítica de métodos de predicción mejorados, interpretables y personalizados para la ETS.

Objetivo del estudio:

• Para predecir el riesgo de ideación suicida (SI) y intento de suicidio (SA) dentro de 1, 6 y 12 meses utilizando algoritmos XGBoost.
• Mejorar la interpretabilidad de estos modelos predictivos a través de métodos de inteligencia artificial explicable (XAI).
• Evaluar la utilidad clínica y la rentabilidad de la predicción de riesgos impulsada por la IA en entornos de emergencia psiquiátrica.

Principales métodos:

• Desarrollo y evaluación de modelos de aprendizaje automático (ML) utilizando registros electrónicos de salud estructurados (EHR).
• Datos obtenidos de 26,198 pacientes y 51,397 referencias en un departamento de emergencias psiquiátricas (PED) durante 20 años.
• Diseño de estudio pronóstico que incorpora algoritmos XGBoost y técnicas locales XAI para la interpretación del modelo.

Principales resultados:

• Los modelos demostraron una buena capacidad de discriminación (AUC 0,70-0,80) y una calibración excelente (ICI 0,001-0,004).
• Las predicciones del 20% más alto riesgo capturaron el 50-70% de todas las derivaciones de BTS.
• Los métodos XAI mejoraron significativamente la transparencia y la interpretabilidad de las predicciones a nivel del paciente.
• Los modelos cumplen los criterios para una orientación rentable de las intervenciones.

Conclusiones:

• Los modelos de aprendizaje automático, mejorados con XAI local, pueden identificar efectivamente a las personas de alto riesgo en PED.
• Estas herramientas impulsadas por la IA pueden ayudar a los médicos a implementar intervenciones específicas y rentables para la ETS.
• La mejora de la estratificación del riesgo tiene el potencial de reducir las referencias a corto plazo para pensamientos y comportamientos suicidas.