Mejora de la predicción de la displasia broncopulmonar en lactantes prematuros mediante inteligencia artificial e...

Área de la Ciencia:

• Informática Médica
• Neonatología
• Inteligencia Artificial

Sus antecedentes:

• La displasia broncopulmonar (DBP) es una afección respiratoria común en lactantes prematuros, influenciada por diversos factores perinatales y posnatales.
• Los datos multimodales, incluidos datos clínicos, fisiológicos, de imagen, biomarcadores y ómicos, son cruciales para comprender y predecir la DBP.
• La inteligencia artificial (IA) y el aprendizaje automático (ML) están surgiendo como herramientas poderosas para desarrollar modelos sofisticados de predicción de DBP.

Objetivo del estudio:

• Revisar sistemáticamente el progreso de la investigación de IA en la predicción de la displasia broncopulmonar (DBP).
• Analizar modelos y herramientas representativas de IA para la predicción de DBP, evaluando su rendimiento clínico y limitaciones.
• Identificar los desafíos que dificultan la traducción clínica de los modelos de IA en el manejo de la DBP.

Principales métodos:

• Revisión sistemática de la literatura sobre aplicaciones de IA y ML en la predicción de DBP.
• Análisis de fuentes de datos multimodales utilizadas en modelos de predicción de DBP impulsados por IA.
• Evaluación de herramientas existentes de predicción de DBP, como el Estimador de Resultados de DBP del RTI.
• Discusión del marco PALM (Predicción-Actuación-Aprendizaje-Monitoreo) para la traducción de IA en la práctica clínica.

Principales resultados:

• Los modelos de IA y ML muestran potencial para la predicción de DBP utilizando diversos conjuntos de datos.
• Los modelos actuales de IA enfrentan desafíos en la traducción clínica, incluida la estandarización de datos, la interpretabilidad y la integración.
• El marco PALM ofrece un enfoque estructurado para cerrar la brecha entre la predicción de IA y la intervención clínica.

Conclusiones:

• La IA tiene un gran potencial para mejorar la predicción del riesgo de DBP y guiar las intervenciones clínicas.
• Superar los desafíos en el intercambio de datos, la privacidad (por ejemplo, aprendizaje federado) y los marcos regulatorios es esencial para la adopción clínica.
• El desarrollo de un sistema de gestión de circuito cerrado para modelos de IA es crucial para la transición de la predicción a intervenciones precisas que mejoren los resultados para los lactantes con DBP.