Diseño de un algoritmo explicable basado en XGBoost y algoritmo genético para predecir las necesidades de...

Área de la Ciencia:

• La inteligencia artificial en la medicina.
• Sistemas de Apoyo a la Decisión Clínica.
• Epidemiología y Salud Pública.

Sus antecedentes:

• La predicción precisa del riesgo de hospitalización por COVID-19 para pacientes ambulatorios es crucial para la asignación de recursos y la atención al paciente.
• Los modelos de aprendizaje automático existentes a menudo carecen de interpretabilidad, lo que limita su adopción clínica.
• Hay una necesidad de herramientas transparentes y confiables para apoyar la toma de decisiones clínicas en el manejo de pacientes con COVID-19.

Objetivo del estudio:

• Desarrollar un marco híbrido de inteligencia artificial explicable (XAI) que integre XGBoost y explicaciones basadas en reglas.
• Mejorar la interpretabilidad de los modelos de aprendizaje automático para la predicción del riesgo de hospitalización por COVID-19.
• Proporcionar una herramienta de apoyo a la decisión clínicamente validada para evaluar el riesgo de hospitalización en pacientes ambulatorios con COVID-19.

Principales métodos:

• Un análisis retrospectivo de 1278 pacientes ambulatorios con COVID-19 utilizando 27 variables clínicas, de laboratorio y demográficas.
• Desarrollo de un marco híbrido que combina XGBoost para la predicción y un algoritmo genético optimizado de Random Forest para la extracción de reglas.
• Validación clínica de las reglas extraídas por diez médicos utilizando el Índice de Validez de Contenido (CVI).

Principales resultados:

• XGBoost logró un rendimiento predictivo superior (AUC 0.85) en comparación con los modelos de referencia.
• El marco generó 40 reglas IF-THEN clínicamente válidas e interpretables, validadas por los médicos (CVI ≥ 0,85).
• Los predictores clave identificados incluyen SpO2, CRP, edad, D-dimero, ferritina y porcentaje de linfocitos.

Conclusiones:

• El marco híbrido XAI integra con éxito predicciones de alta precisión con reglas clínicamente interpretables para la evaluación del riesgo de hospitalización por COVID-19.
• Esta herramienta transparente de apoyo a la toma de decisiones puede mejorar el triaje y la optimización de los recursos para los pacientes ambulatorios con COVID-19.
• El diseño modular permite la adaptación a futuros brotes de enfermedades infecciosas, mejorando el despliegue clínico.