EMBRACE: Aprendizaje Profundo Adaptativo para la Predicción Multitarea Explicable del Agotamiento en Médicos...

Área de la Ciencia:

• Aprendizaje automático en atención médica
• Tecnología de sensores portátiles
• Investigación sobre el agotamiento profesional

Sus antecedentes:

• Los residentes médicos enfrentan alto estrés y agotamiento debido a horarios exigentes.
• Los modelos de aprendizaje automático existentes para el agotamiento carecen de explicabilidad clínica.
• Los sensores portátiles ofrecen potencial para la predicción objetiva del agotamiento.

Objetivo del estudio:

• Presentar EMBRACE, un marco explicable de predicción multitarea del agotamiento.
• Predecir y explicar el agotamiento futuro en médicos residentes utilizando aprendizaje profundo adaptativo.
• Mejorar la confianza clínica a través de técnicas de IA explicable (XAI).

Principales métodos:

• Desarrollo de un marco de aprendizaje profundo adaptativo multitarea (EMBRACE).
• Utilización de datos de sensores portátiles para predecir actividades y niveles de agotamiento.
• Integración de SHAP (Shapley Additive Explanations) para la interpretabilidad del modelo.
• Validación en tres conjuntos de datos, incluido un conjunto de datos propietario de médicos residentes.

Principales resultados:

• EMBRACE logró una alta precisión en la predicción de actividades, niveles de agotamiento y respuestas a encuestas en todos los conjuntos de datos.
• El análisis SHAP identificó predictores clave de agotamiento como la variabilidad de la frecuencia cardíaca y el comportamiento sedentario.
• El 91% de los participantes encontró satisfactorias las sumarias de importancia de las características.

Conclusiones:

• EMBRACE ofrece una solución clínica explicable y procesable para la detección temprana del agotamiento.
• El marco demuestra robustez y generalización en diversos conjuntos de datos.
• El trabajo futuro incluye la ampliación del modelo y la evaluación del impacto a largo plazo en el bienestar del médico.