Un modelo jerárquico e interpretable de aprendizaje automático para la determinación de puntos de acupuntura

Área de la Ciencia:

• Medicina Integrativa
• Inteligencia Artificial en la Atención Médica
• Medicina Tradicional China

Sus antecedentes:

• La efectividad de la terapia de acupuntura y moxibustión (AMT) puede mejorarse con estrategias de tratamiento personalizadas.
• El desarrollo de modelos basados en datos para la prescripción de puntos de acupuntura es crucial para el avance de la AMT.

Objetivo del estudio:

• Desarrollar un modelo de aprendizaje automático para la prescripción personalizada de puntos de acupuntura basada en los síntomas del paciente.
• Mejorar la eficiencia y efectividad de la terapia de acupuntura y moxibustión a través de sistemas inteligentes.

Principales métodos:

• Se empleó una red neuronal recurrente jerárquica basada en atención (HARNN) para la predicción de puntos de acupuntura basada en síntomas.
• Se utilizaron el preprocesamiento y el aumento de datos para construir una base de datos robusta de aprendizaje automático.
• Se aplicó la explicación local interpretable independiente del modelo (LIME) para la interpretabilidad del modelo y la validación clínica.

Principales resultados:

• El modelo HARNN logró un alto rendimiento, con una intersección sobre unión (IoU) de 0,954 después de la aumento de datos.
• El modelo demostró una fuerte precisión predictiva tanto en la validación cruzada como en los conjuntos de datos de prueba.
• LIME proporcionó visualizaciones intuitivas, mejorando la confiabilidad clínica y la comprensión del modelo.

Conclusiones:

• Se desarrolló con éxito un modelo jerárquico e interpretable de aprendizaje automático para predecir la prescripción de puntos de acupuntura.
• La integración de HARNN y LIME ofrece un enfoque técnico novedoso para la intelectualización de la AMT.
• Este estudio proporciona una metodología robusta para tratamientos de acupuntura personalizados y basados en datos.