Marco de IA explicable para la mejora de la clasificación de la salud mental en la talasemia y la selección de...

Área de la Ciencia:

• Informática Médica; Inteligencia Artificial en la Atención Médica; Medicina Psicosomática

Sus antecedentes:

• Los problemas de salud mental en pacientes con talasemia a menudo se subestiman, lo que afecta su calidad de vida.; Los métodos estadísticos y de aprendizaje automático convencionales luchan con las interacciones complejas y no lineales entre los factores psicosociales y clínicos en la talasemia.; La predicción e interpretación precisas del estado de salud mental en pacientes con talasemia siguen siendo un desafío.

Objetivo del estudio:

• Desarrollar y validar un marco novedoso de selección de características, Adaptive Multi-Stage Ensemble with Dynamic Feature Interaction (AMSE-DFI), para identificar predictores de salud mental en la talasemia.; Mejorar la precisión y la interpretabilidad de las evaluaciones de salud mental en pacientes con talasemia.; Proporcionar una herramienta práctica para la detección temprana y el manejo personalizado de los desafíos de salud mental en la atención de la talasemia.

Principales métodos:

• Se desarrolló AMSE-DFI, integrando información mutua, aprendizaje de ensamblaje y mecanismos de atención de gráficos para la interacción dinámica de características.; Se utilizaron datos de la encuesta de salud SF-36 de 356 pacientes bangladesíes con talasemia.; Se empleó la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) para abordar el desequilibrio de clases y las Explicaciones Locales Interpretables Agnósticas del Modelo (LIME) para la interpretabilidad del modelo.

Principales resultados:

• AMSE-DFI identificó predictores clave de la salud mental en pacientes con talasemia, incluyendo la puntuación total de SF, el rol emocional y el resumen de salud física.; El marco propuesto demostró una fiabilidad y generalización predictivas superiores en comparación con los métodos convencionales.; LIME proporcionó información clara e interpretable sobre el impacto de las características en los resultados individuales de los pacientes.

Conclusiones:

• AMSE-DFI ofrece un enfoque robusto e interpretable para identificar desafíos de salud mental en pacientes con talasemia.; El marco facilita una comprensión más profunda de la interacción entre los factores clínicos y psicosociales.; Esta herramienta impulsada por IA apoya a los médicos en la detección temprana y el manejo personalizado de la salud mental en la atención de la talasemia.