Inferencia causal robusta e interpretable a nivel de unidad en redes neuronales para la miopía pediátrica

Área de la Ciencia:

• Inteligencia Artificial
• Medicina Clínica
• Inferencia Causal

Sus antecedentes:

• Los modelos de aprendizaje profundo en medicina a menudo funcionan como 'cajas negras', lo que dificulta la confianza y la adopción clínica.
• La interpretabilidad y la confiabilidad son primordiales para integrar la IA en entornos de atención médica.

Objetivo del estudio:

• Desarrollar y validar un marco de inferencia causal integrado en redes neuronales para mejorar la transparencia de la IA en medicina.
• Evaluar los efectos causales directos e indirectos de las características individuales en las predicciones utilizando una cohorte de oftalmología pediátrica.

Principales métodos:

• Integración de un marco de inferencia causal con redes neuronales.
• Aplicación a una cohorte prospectiva de oftalmología pediátrica (>3000 niños) con datos longitudinales.
• Estimación de efectos causales directos/indirectos y validación mediante experimentos de refutación.

Principales resultados:

• El método propuesto logró un buen rendimiento en la predicción de la progresión de la miopía.
• Se identificaron vías causales clínicamente plausibles que influyen en la progresión de la miopía en niños.
• Los experimentos de refutación confirmaron la robustez y confiabilidad de los efectos causales estimados.

Conclusiones:

• El marco de inferencia causal, independiente del modelo, mejora la transparencia y la confiabilidad del aprendizaje profundo en la atención médica.
• Este enfoque apoya la IA explicable para intervenciones de salud digital y avanza en la medicina de precisión.
• Facilita la atención médica equitativa al proporcionar información de IA interpretable.