Desarrollo y validación de un modelo explicable de aprendizaje automático para predecir el riesgo de trastornos del...

Área de la Ciencia:

• Gerontología
• Inteligencia artificial
• Medicina del sueño

Sus antecedentes:

• Los trastornos del sueño son frecuentes en los adultos mayores, especialmente en aquellos con multimorbilidad.
• La predicción precisa de los riesgos es crucial para una intervención oportuna.

Objetivo del estudio:

• Desarrollar y validar un modelo explicable de aprendizaje automático para predecir el riesgo de trastornos del sueño en adultos mayores con multimorbilidad.
• Identificar los predictores clave de los trastornos del sueño en esta población.

Principales métodos:

• Se evaluaron seis modelos de aprendizaje automático: regresión logística, red neuronal, máquina de vectores de soporte, máquina de aumento de gradiente, K-Nearest Neighbors y máquina de aumento de gradiente de luz.
• El modelo Gradient Boosting Machine (GBM) demostró un rendimiento superior, logrando un área bajo la curva (AUC) de 0,881.
• Las técnicas de IA explicables, específicamente SHAP (Shapley Additive Explanations), se utilizaron para la interpretabilidad del modelo.

Principales resultados:

• La prevalencia de trastornos del sueño en la cohorte del estudio fue del 28, 7%.
• El modelo GBM logró la mayor precisión predictiva (AUC = 0,881).
• Los principales predictores incluyen fragilidad, estado cognitivo, estado nutricional, vivir solo, depresión, estado de tabaquismo y ansiedad.

Conclusiones:

• Esta investigación presenta el primer modelo explicable de IA para predecir trastornos del sueño en adultos mayores chinos con multimorbilidad.
• El estudio identificó siete factores de riesgo significativos, mejorando la comprensión de la etiología de los trastornos del sueño en este grupo demográfico.
• El método SHAP mejora la interpretabilidad del modelo, ayudando a los médicos a comprender la lógica de la predicción.