SpaCE: un modelo de aprendizaje profundo explicable y contrafactual espacial para predecir el resultado de la...

Área de la Ciencia:

• Geografía de la salud
• Análisis de la salud geoespacial
• Epidemiología computacional

Sus antecedentes:

• La comprensión de la interacción entre los factores de riesgo, los patrones espaciales y los resultados de la enfermedad es crucial para las estrategias eficaces de salud pública.
• La predicción e interpretación precisas de los resultados de salud requieren modelos que integren tanto las variables de salud como la información espacial.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo modelo de aprendizaje profundo, Spatial Counterfactual Explainable Deep Learning (SpaCE), para predecir los resultados de la salud mediante la unificación de datos geoespaciales y de salud.
• Mejorar la explicabilidad de los modelos predictivos mediante la generación de explicaciones contrafácticas que revelan el impacto de las variables en diferentes contextos espaciales.

Principales métodos:

• Desarrolló el modelo SpaCE, con un predictor de resultados de salud espacialmente explícito y un componente de explicación contrafactual guiado por prototipos.
• Variables geoespaciales y de salud integradas para mejorar la precisión predictiva y generar escenarios hipotéticos con cambios mínimos pero resultados opuestos.
• Evaluar el impacto de las variables individuales en diferentes contextos espaciales utilizando contrafactuales generados.

Principales resultados:

• El modelo SpaCE logró una puntuación AUCROC de 0,682, superando a los modelos de referencia en un 10,2% en la predicción de los resultados de supervivencia al paro cardíaco.
• El análisis demostró que el contexto geoespacial influye significativamente en cómo los factores de riesgo afectan la supervivencia del paciente.
• El modelo proporciona una mayor precisión predictiva y explicabilidad para los resultados de salud.

Conclusiones:

• El modelo SpaCE ofrece un avance significativo en la predicción de los resultados de salud y la comprensión de la influencia de los factores de riesgo en áreas geográficas específicas.
• La capacidad del modelo para generar intervenciones específicas tanto a nivel individual como geográfico pone de relieve su utilidad práctica.
• La aplicación exitosa para la predicción de la supervivencia al paro cardíaco indica la adaptabilidad de SpaCE a diversos escenarios de enfermedad y su potencial para informar la toma de decisiones de salud pública.