Predicción del Deterioro de Síntomas Relacionados con la Quimioterapia mediante Arquitectura Híbrida de Aprendizaje...

Área de la Ciencia:

• Oncología; Inteligencia Artificial; Salud Digital

Sus antecedentes:

• Los pacientes con quimioterapia experimentan diversos síntomas físicos y mentales.
• La predicción de la escalada de síntomas es crucial para una intervención oportuna y mejores resultados para los pacientes.
• El alto desequilibrio de clases en los datos de escalada de síntomas plantea un desafío para el modelado predictivo.

Objetivo del estudio:

• Desarrollar y evaluar un modelo híbrido de aprendizaje profundo (CNN-LSTM) para predecir la escalada de síntomas en pacientes con quimioterapia.
• Evaluar la efectividad de diferentes intervalos de agregación de datos para mejorar el rendimiento predictivo.
• Permitir el soporte de decisiones impulsado por IA para intervenciones clínicas en tiempo real.

Principales métodos:

• Se utilizó una arquitectura híbrida de aprendizaje profundo de Red Neuronal Convolucional con Memoria a Largo Corto Plazo (CNN-LSTM).
• Se agregaron datos diarios de síntomas autoinformados en intervalos de 3 a 7 días para abordar el desequilibrio de clases y mejorar la resolución temporal.
• Se empleó la validación cruzada de cinco pliegues para un entrenamiento robusto del modelo y la evaluación de la generalización.

Principales resultados:

• El modelo CNN-LSTM logró una precisión del 83%, una precisión del 89%, una recuperación del 86%, una puntuación F1 del 88% y un AUC del 83% para la predicción de síntomas físicos utilizando intervalos de 5 días.
• La agregación óptima de datos en intervalos de 5 días mejoró significativamente la precisión predictiva de los síntomas físicos.
• Se demostró la capacidad del modelo para capturar dependencias temporales para la predicción de la progresión de los síntomas.

Conclusiones:

• Los modelos híbridos de aprendizaje profundo como CNN-LSTM son efectivos para el monitoreo continuo de síntomas y la detección temprana en pacientes con quimioterapia.
• Los sistemas de soporte de decisiones impulsados por IA pueden mejorar las intervenciones clínicas a través de una predicción precisa de los síntomas.
• La integración en plataformas de salud digital puede mejorar la calidad de la atención al facilitar el seguimiento y la predicción de síntomas en tiempo real.