Aprendizaje automático explicable con hiperoptimización bayesiana para predecir el deterioro cognitivo a partir de...

Área de la Ciencia:

• Gerontología y Medicina Geriátrica
• Inteligencia artificial en la atención médica
• Ciencia de datos y análisis predictivo

Sus antecedentes:

• Los residentes de residencias de ancianos generan datos vastos y heterogéneos, lo que plantea desafíos para predecir los resultados de salud.
• La inteligencia artificial (IA) muestra potencial en la predicción de resultados como la mortalidad y el deterioro cognitivo (DC).
• La identificación de las fuentes de información (IS) más precisas para la predicción del DC sigue siendo un desafío crítico.

Objetivo del estudio:

• Presentar un marco de IA integrador para predecir el DC en residentes de residencias de ancianos.
• Combinar el modelado temporal armonizado, la optimización bayesiana, XGBoost y SHAP para la predicción interpretable del DC.
• Evaluar el poder predictivo de diversas fuentes de información, incluidas métricas clínicas y registros de actividad.

Principales métodos:

• Desarrolló un marco de IA que integra el modelado temporal, la optimización de hiperparámetros bayesianos, XGBoost y SHAP.
• Utilizó 13 años de datos longitudinales de 2608 residentes de residencias de ancianos.
• Empleó un esquema de validación cruzada anidada 5x3 con agrupación a nivel de paciente y bloqueo temporal.

Principales resultados:

• El marco de IA logró un rendimiento predictivo sólido para las escalas de deterioro cognitivo (MMSE, GDS, Barthel).
• La integración de todas las fuentes de información mejoró la precisión predictiva en comparación con el uso de variables clínicas solas.
• Las variables clínicas demostraron consistentemente ser la fuente de información más informativa en todas las tareas.

Conclusiones:

• El marco de IA integrador mejora la predicción del DC a partir de datos heterogéneos de atención a largo plazo.
• El enfoque proporciona información interpretable sobre las contribuciones de las diferentes fuentes de información.
• Los hallazgos respaldan el desarrollo de estrategias de atención personalizadas e informadas por datos para los residentes de residencias de ancianos.