Modelos de aprendizaje profundo multimodal explicables para secuencias de longitud variable en pacientes en estado crítico | JoVE Visualize

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.