Identificación de Subfenotipos para la Lesión Renal Aguda Asociada a Sepsis Utilizando Redes Mamba Bidireccionales de...

Área de la Ciencia:

• Informática Biomédica
• Biología Computacional
• Medicina de Cuidados Intensivos

Sus antecedentes:

• La lesión renal aguda asociada a sepsis (LRA-S) es una afección compleja con alta mortalidad en las UCI.
• Los métodos actuales para la subclasificación de LRA-S utilizando datos de EHR están limitados por características estáticas y escasez de datos.
• Existe la necesidad de modelos avanzados para capturar correlaciones intrincadas entre pacientes para una subclasificación precisa de LRA-S.

Objetivo del estudio:

• Desarrollar una novedosa Red Mamba Bidireccional de Grafos (GBMN) para la identificación de subfenotipos de LRA-S.
• Mejorar la precisión de la subclasificación de LRA-S aprovechando datos multimodales de EHR y estructuras de grafos latentes de pacientes.
• Mejorar las intervenciones clínicas dirigidas para LRA-S a través de una identificación precisa de subfenotipos.

Principales métodos:

• Desarrolló un módulo de fusión multimodal que integra datos demográficos, de laboratorio, signos vitales y diagnósticos.
• Introdujo un módulo adaptativo de inferencia de grafos latentes para capturar y optimizar las estructuras de grafos de pacientes.
• Incorporó un modelo de aprendizaje de grafos que combina Redes Neuronales de Grafos con Mamba (un modelo de espacio de estados).
• Diseñó un objetivo de maximización de modularidad espectral para la identificación de subfenotipos diferenciables.

Principales resultados:

• El modelo GBMN propuesto demostró un rendimiento superior en comparación con los modelos de referencia en el conjunto de datos MIMIC-IV.
• El modelo logró un sólido rendimiento en la identificación de subfenotipos de LRA-S.
• Los subfenotipos identificados y sus factores contribuyentes mostraron una interpretabilidad significativa.

Conclusiones:

• GBMN ofrece un enfoque potente e interpretable para la identificación de subfenotipos de LRA-S utilizando datos de EHR.
• La capacidad del modelo para descubrir conexiones entre pacientes y factores clave puede guiar estrategias de tratamiento personalizadas.
• Esta investigación avanza la medicina de precisión en cuidados intensivos al permitir intervenciones más dirigidas para LRA-S.