Estrategias para detectar y mitigar el cambio de conjuntos de datos en el aprendizaje automático para predicciones de...

Área de la Ciencia:

• El aprendizaje automático en el cuidado de la salud
• Ciencia de los datos
• Informática biomédica

Sus antecedentes:

• El cambio de conjuntos de datos plantea un desafío significativo para la confiabilidad de los modelos de aprendizaje automático (ML) en la atención médica.
• Asegurar la solidez de las predicciones de ML requiere estrategias efectivas para detectar y mitigar las inconsistencias de los datos.

Objetivo del estudio:

• Revisar exhaustivamente los métodos para identificar y corregir el desplazamiento de los conjuntos de datos en las aplicaciones de ML para la predicción de la salud.
• Sintetizar la literatura actual sobre las técnicas de detección y corrección de desplazamiento de conjuntos de datos en el ámbito médico.

Principales métodos:

• La búsqueda sistemática de la literatura a través de las principales bases de datos científicas (PubMed, IEEE Xplore, Scopus, Web of Science).
• La inclusión de 32 estudios publicados entre 2019 y 2025, centrados en ML, atención médica y cambio de conjuntos de datos.
• Evaluación de estudios basados en tipos de desplazamiento de conjuntos de datos, estrategias de detección/corrección, algoritmos e impactos en el rendimiento.

Principales resultados:

• El desplazamiento temporal y la deriva de conceptos son los tipos de desplazamiento de conjuntos de datos más frecuentemente abordados.
• El monitoreo basado en modelos y las pruebas estadísticas dominan la detección; el reciclaje y la ingeniería de características son métodos de corrección comunes.
• Los métodos existentes muestran una interpretación y una factibilidad moderadas, pero carecen de métricas estandarizadas y validación externa.

Conclusiones:

• Ningún método de gestión de turnos de un conjunto de datos es ampliamente generalizable para todas las aplicaciones de ML de salud.
• La aplicación clínica de estas técnicas en el mundo real es actualmente limitada.
• La investigación futura debe centrarse en evaluaciones prospectivas, análisis de subgrupos e integración de sistemas de apoyo a la toma de decisiones clínicas para un despliegue robusto y equitativo de ML.