Mitigación del sesgo en el cribado oportunista de MACE con razonamiento causal

Área de la Ciencia:

• Inteligencia Artificial en Medicina
• Sistemas de Apoyo a la Toma de Decisiones Clínicas
• Inferencia Causal

Sus antecedentes:

• La deriva poblacional impacta significativamente la robustez de los modelos de IA en entornos clínicos.
• Las estrategias existentes de mitigación de sesgos a menudo descuidan la influencia de las comorbilidades crónicas.
• Las predicciones precisas de IA en diversos grupos demográficos son cruciales para mejorar la atención sanitaria.

Objetivo del estudio:

• Proponer un marco de razonamiento causal que aborde el sesgo de selección en modelos de IA para predecir eventos cardiovasculares adversos mayores (MACE).
• Evaluar la eficacia del marco en diversas poblaciones de pacientes y entornos clínicos.
• Mejorar la equidad y la fiabilidad de la toma de decisiones clínicas impulsada por la IA.

Principales métodos:

• Desarrolló un marco de razonamiento causal que incorpora ajustes de confundidores.
• Entrenó un modelo de IA con datos de pacientes de alto riesgo y lo evaluó en conjuntos de datos de menor riesgo y externos.
• Comparó el marco causal con la clasificación tradicional de enfermedades, la correspondencia de la puntuación de propensión y los modelos de eliminación de sesgos.

Principales resultados:

• El marco causal+confundidor logró puntuaciones superiores del Área Bajo la Curva (AUC) en conjuntos de datos desplazados y externos en comparación con los modelos de referencia.
• El enfoque minimizó eficazmente las disparidades relacionadas con los factores de confusión.
• Superó a los métodos tradicionales y de vanguardia de eliminación de sesgos en la mitigación del sesgo de selección.

Conclusiones:

• La integración del razonamiento causal y los ajustes de confundidores mejora la eficacia de los modelos de IA en aplicaciones clínicas.
• El marco propuesto muestra una gran promesa para crear sistemas de apoyo a la toma de decisiones clínicas justos y robustos.
• Este enfoque mejora la fiabilidad y la integridad ética de la IA en la atención sanitaria al tener en cuenta los cambios en la población.