Modelos de aprendizaje profundo multimodal explicables para secuencias de longitud variable en pacientes en estado...

Área de la Ciencia:

• Inteligencia artificial en medicina
• Informática clínica
• Aprendizaje profundo para la atención médica

Sus antecedentes:

• Los modelos de aprendizaje profundo son excelentes para predecir eventos clínicos utilizando datos estructurados de HCE.
• La incorporación de notas clínicas no estructuradas mejora la precisión del modelo, pero presenta desafíos en la fusión multimodal y la explicabilidad, especialmente con datos temporales de longitud variable.
• Los métodos existentes luchan por integrar de manera efectiva diversos tipos de datos y proporcionar predicciones interpretables para las trayectorias de la UCI.

Objetivo del estudio:

• Desarrollar un marco de modelado temporal explicable para datos multimodales de HCE.
• Acomodar trayectorias de UCI de longitud variable y admitir diversas tareas de predicción de resultados.
• Mejorar la precisión y la interpretabilidad de los modelos de aprendizaje profundo en cuidados intensivos.

Principales métodos:

• Se desarrollaron dos redes neuronales recurrentes (RNN) multimodales con arquitecturas de fusión distintas (Pre-RNN y Post-RNN), integrando variables estructuradas de HCE y notas clínicas no estructuradas en pasos de tiempo horarios.
• Time2Vec y capas RNN con enmascaramiento manejaron secuencias de longitud variable, mientras que se utilizaron gradientes integrados para la explicabilidad, cuantificando la importancia de las características temporales y transmodales.
• Los modelos se evaluaron en la predicción de mortalidad a 24 horas, alta a siete días y aparición de ventilador o vasopresor a las cuatro horas utilizando un conjunto de datos público de HCE.

Principales resultados:

• Los modelos de fusión multimodal superaron significativamente a los modelos unimodales en todas las tareas de predicción.
• La arquitectura de fusión Pre-RNN logró el área bajo la curva de precisión-recuperación (AUPRC) más alta para tres de los cuatro resultados.
• Las ganancias de rendimiento fueron más sustanciales para eventos intermedios y de largo horizonte (≥24 horas) en comparación con eventos de corto horizonte.
• El análisis de gradientes integrados reveló patrones de atribución específicos, vinculando características fisiológicas y conceptos clínicos al riesgo del paciente.

Conclusiones:

• El marco multimodal de longitud variable desarrollado mejora el rendimiento de los modelos de aprendizaje profundo en cuidados intensivos.
• El marco proporciona importancia de características a nivel de paso de tiempo, mejorando significativamente la explicabilidad y la relevancia clínica de las predicciones.
• Este enfoque ofrece una dirección prometedora para avanzar en las aplicaciones de IA en entornos de cuidados intensivos.