Análisis y mitigación de la deriva del modelo en la predicción de la lesión renal aguda en pacientes hospitalizados

Área de la Ciencia:

• Informática de la Salud
• Soporte de Decisiones Clínicas
• Aprendizaje Automático en Medicina

Sus antecedentes:

• La inteligencia artificial (IA) y el aprendizaje automático (AA) mejoran la predicción de riesgos clínicos y el diagnóstico.
• El rendimiento del modelo se degrada debido a la deriva de los datos por cambios en la población y la evolución de las prácticas.
• Los modelos predictivos para la lesión renal aguda (LRA) son susceptibles a la disminución del rendimiento con el tiempo.

Objetivo del estudio:

• Investigar la deriva del rendimiento en modelos de predicción de LRA utilizando registros médicos electrónicos (RME).
• Evaluar la efectividad de las estrategias de actualización del modelo para mitigar la deriva del rendimiento.
• Analizar el rendimiento del modelo en diversos subgrupos de pacientes.

Principales métodos:

• Se utilizaron datos de RME de 249,749 encuentros de pacientes hospitalizados durante diez años.
• Se desarrollaron y aplicaron dos estrategias de actualización del modelo: Actualización de Población General (OPU) y Actualización de Subgrupo Específico (SSU).
• Se evaluó el rendimiento del modelo utilizando el área bajo la curva de precisión-recuperación (AUPRC) en la población general y nueve subgrupos distintos.

Principales resultados:

• Ambas estrategias, OPU y SSU, redujeron significativamente la deriva del rendimiento.
• OPU mejoró el AUPRC promedio en 0.14 en general y 0.11 en subgrupos.
• SSU mejoró el AUPRC promedio en 0.10 entre subgrupos.

Conclusiones:

• La vigilancia continua del modelo es esencial en entornos clínicos dinámicos.
• Las estrategias de actualización adaptativa (OPU y SSU) son efectivas para mantener un rendimiento predictivo confiable.
• Es necesaria la recalibración periódica del modelo para contrarrestar la deriva de los datos y garantizar la utilidad clínica.