Identificación de predictores clave del éxito en la cesación del tabaquismo: Selección de características basada en...

Área de la Ciencia:

• Investigación sobre el control del tabaco
• Investigación sobre inteligencia artificial en la salud
• Ciencias del comportamiento

Sus antecedentes:

• La cesación del tabaquismo es vital para reducir la mortalidad y la morbilidad.
• A pesar de las altas tasas de intentos de dejar de fumar, las tasas de éxito siguen siendo bajas (alrededor del 10%).
• La identificación de predictores de éxito puede mejorar la eficacia de la intervención.

Objetivo del estudio:

• Identificar los predictores clave de la abstinencia del tabaquismo a los 12 meses.
• Evaluar la eficacia de la IA (GPT-4.1) en la selección de variables para la investigación de la cesación del tabaquismo.
• Derivar información procesable de las principales variables predictivas.

Principales métodos:

• Análisis de los datos del estudio Population Assessment of Tobacco and Health (PATH) (Olas 5 y 6).
• Se utilizó GPT-4.1 de OpenAI para la selección inicial de 45 variables predictivas a partir de descripciones textuales.
• Se validó la importancia de las variables utilizando eXtreme Gradient Boosting (XGBoost) y SHapley Additive exPlanations (SHAP).

Principales resultados:

• Los modelos XGBoost mostraron un rendimiento casi idéntico si se entrenaron con todas las variables o con las variables seleccionadas por GPT-4.1 (AUC: ~0.75).
• Los principales predictores incluyeron la frecuencia de fumar, el tiempo hasta el primer cigarrillo, las influencias sociales (pares, personas importantes) y la dependencia emocional.
• Las preocupaciones sobre los daños a la salud y el uso diario de productos electrónicos de nicotina también surgieron como factores significativos.

Conclusiones:

• GPT-4.1 demostró una selección de variables eficiente y efectiva para los predictores de la cesación del tabaquismo.
• Las principales variables identificadas se alinean con los factores de riesgo conocidos, ofreciendo objetivos refinados para las intervenciones.
• La integración de la IA en la investigación del tabaco puede optimizar la asignación de recursos para estrategias de cesación específicas.