El vecindario importa: Predicción de la adherencia a la detección del cáncer de pulmón con IA explicable

Área de la Ciencia:

• Salud Pública
• Aprendizaje Automático
• Disparidades en Salud

Sus antecedentes:

• La adherencia a la detección del cáncer de pulmón (LCS) es crucial para la detección temprana en poblaciones de alto riesgo.
• Los determinantes sociales de la salud (SDOH) impactan significativamente el acceso a la atención médica y la adherencia.
• El modelado predictivo puede identificar a las personas en riesgo de no adherencia a LCS.

Objetivo del estudio:

• Desarrollar un modelo predictivo para la adherencia a la detección del cáncer de pulmón utilizando datos de SDOH.
• Identificar factores clave a nivel individual y de vecindario asociados con la no adherencia a LCS.
• Mejorar la estratificación del riesgo para personas con poca probabilidad de completar los escaneos de seguimiento anuales de LCS.

Principales métodos:

• Se reclutaron 188 personas de alto riesgo y minorizadas para la detección mediante tomografía computarizada de dosis baja (LDCT).
• Se recopilaron datos demográficos, de uso de tabaco, necesidades sociales y percepción del riesgo a través de encuestas.
• Se utilizó el clasificador XGBoost con análisis SHAP para predecir la adherencia a LCS basándose en métricas de SDOH individuales y geocodificadas del vecindario.

Principales resultados:

• La cohorte de estudio comprendió diversos grupos minorizados, con una tasa de no adherencia a LCS del 66%.
• El modelo predictivo logró un rendimiento sólido (AUROC 0.81, AUPRC 0.90).
• Los factores de SDOH del vecindario (por ejemplo, competencia escolar, pobreza) fueron más predictivos de la no adherencia que los factores individuales.

Conclusiones:

• El aprendizaje automático predice con precisión la no adherencia a LCS utilizando SDOH.
• Las características a nivel comunitario son vitales para informar las intervenciones de adherencia a LCS.
• Las estrategias adaptadas regionalmente pueden mejorar la adherencia a LCS en poblaciones de alto riesgo.