Generación de Líneas de Tiempo de Pacientes Contrafactuales a partir de Datos del Mundo Real

Área de la Ciencia:

• Inteligencia Artificial en Medicina
• Biología Computacional
• Informática de la Salud

Sus antecedentes:

• La simulación contrafactual es crucial para la medicina personalizada y los ensayos in-silico.
• Las limitaciones metodológicas actuales dificultan la simulación contrafactual eficaz.

Objetivo del estudio:

• Desarrollar y validar un modelo generativo autorregresivo para simulaciones contrafactuales clínicamente plausibles.
• Evaluar la capacidad del modelo para reproducir patrones clínicos conocidos.

Principales métodos:

• Se entrenó un modelo generativo autorregresivo con un gran conjunto de datos (más de 300 000 pacientes, 400 millones de entradas de línea de tiempo).
• Se aplicó el modelo a pacientes con COVID-19, simulando resultados al alterar la edad, la proteína C reactiva (PCR) y la creatinina sérica.
• Se validaron las trayectorias contrafactuales con patrones clínicos conocidos.

Principales resultados:

• El modelo generó trayectorias de pacientes contrafactuales clínicamente plausibles.
• Las simulaciones mostraron un aumento de la mortalidad con la edad avanzada, la elevación de la PCR y la elevación de la creatinina sérica.
• Se predijeron cambios en las prescripciones de Remdesivir en función de la PCR y la función renal.

Conclusiones:

• Los modelos generativos autorregresivos pueden realizar simulaciones clínicas contrafactuales de manera eficaz.
• El aprendizaje autosupervisado con datos del mundo real proporciona una base para la modelización clínica avanzada.
• Este enfoque apoya el desarrollo de la medicina personalizada y los ensayos in-silico.