Abstención e Identificación de Umbrales para la Gestión de la Incertidumbre en Herramientas de Decisión Clínica: Un...

Área de la Ciencia:

• Inteligencia Artificial en la Atención Médica
• Sistemas de Apoyo a la Decisión Clínica
• Aprendizaje Automático para Diagnóstico

Sus antecedentes:

• La cuantificación de la incertidumbre está poco desarrollada en las herramientas de decisión clínica de IA.
• La gestión de la incertidumbre de la IA es crucial para la integración segura en la atención médica.
• Las herramientas de diagnóstico de IA actuales carecen de una gestión robusta de la incertidumbre.

Objetivo del estudio:

• Investigar la abstención como un mecanismo práctico para gestionar la incertidumbre en los clasificadores de diagnóstico.
• Evaluar el rendimiento de la abstención en un conjunto de datos ruidoso de evaluaciones de video pediátricas de autismo.
• Demostrar cómo la abstención puede apoyar la toma de decisiones clínicas cuantificando y gestionando la incertidumbre de la IA.

Principales métodos:

• Se aplicaron estrategias de abstención a clasificadores de autismo existentes entrenados con datos de diagnóstico.
• Se evaluó el rendimiento en un conjunto de datos heterogéneo de evaluaciones de video pediátricas de autismo.
• Se comparó el rendimiento base con varias configuraciones de umbral para la abstención.

Principales resultados:

• Se probaron estrategias de abstención en un conjunto de datos intencionalmente ruidoso.
• Se comparó el rendimiento en diferentes configuraciones de umbral, equilibrando la cobertura y las métricas clínicas.
• Se demostraron casos de uso para priorizar la sensibilidad, la especificidad o las mejoras equilibradas (J de Youden).

Conclusiones:

• La abstención proporciona un método concreto para la gestión de la incertidumbre en la IA de diagnóstico.
• La integración de la abstención mejora la fiabilidad y la utilidad clínica de las herramientas de decisión de IA.
• Este enfoque permite tanto la cuantificación como la gestión de la incertidumbre en la IA de atención médica.