Marco de aprendizaje profundo explicable que incorpora conocimiento médico para la titulación de insulina en la...

Área de la Ciencia:

• Inteligencia artificial en medicina
• Sistemas de apoyo a la decisión clínica
• Manejo de la diabetes

Sus antecedentes:

• Los modelos de aprendizaje profundo (DL) muestran potencial en el manejo de la diabetes, pero carecen de transparencia debido a su naturaleza de «caja negra».
• Los métodos existentes de inteligencia artificial explicable (XAI) a menudo pasan por alto las interacciones de características y el conocimiento del dominio clínico.
• Esto limita la confiabilidad y la aplicación en el mundo real de la IA en entornos médicos complejos.

Objetivo del estudio:

• Desarrollar un marco XAI guiado por expertos para modelos de aprendizaje profundo transparentes y confiables en la titulación de insulina.
• Abordar las limitaciones de los métodos XAI actuales incorporando interacciones de características y experiencia clínica.
• Mejorar la precisión y confiabilidad de la gestión de la diabetes asistida por IA.

Principales métodos:

• Se utilizaron dos cohortes de registros de salud electrónicos (EHR) de pacientes hospitalizados con diabetes tipo 2 (T2DM).
• Se introdujo un marco XAI guiado por expertos que utiliza el índice de interacción de Taylor de Shapley (STII) para capturar las interacciones de características.
• Se refinó el modelo de forma iterativa a través de un proceso de médico en el bucle (DIL), codificando restricciones clínicas.

Principales resultados:

• El modelo STII-DIL exploró eficazmente los factores de interacción y redujo las explicaciones irrazonables en comparación con otros modelos.
• Las explicaciones del sistema XAI mostraron una fuerte alineación con el razonamiento de los médicos expertos y mejoraron la corrección.
• La precisión de la titulación de insulina asistida por IA mejoró significativamente para los médicos jóvenes, con un aumento de la confianza informado tanto por los médicos jóvenes como por los experimentados.

Conclusiones:

• Se presentó un marco de aprendizaje profundo explicable que combina XAI post-hoc y conocimiento experto para la titulación de insulina en T2DM.
• El marco proporciona explicaciones transparentes y alineadas con los expertos, mejorando la precisión y la confianza en la toma de decisiones.
• Este enfoque puede facilitar una mayor adopción clínica de herramientas de IA en el cuidado de la diabetes.