Nuevo modelo de AI aprende cómo cambian las relaciones entre variables clínicas a lo largo del tiempo para mejorar la predicción de riesgos y hacer más comprensibles las decisiones médicas.
Investigadores de la Universidad de Oxford presentaron DynaGraph, un nuevo modelo de artificial intelligence (AI) diseñado para analizar los expedientes clínicos electrónicos y mejorar la predicción de riesgos en pacientes. El avance, publicado en npj Digital Medicine journal, propone una novedosa forma de interpretar cómo cambian las relaciones entre variables clínicas, como lo son signos vitales y resultados de laboratorio, a lo largo del tiempo.
A diferencia de muchos modelos actuales, que tratan los datos médicos como listas estáticas o secuencias independientes, DynaGraph parte de que la salud no evoluciona de manera lineal. Cuando un paciente empeora, distintos sistemas del cuerpo interactúan entre sí y esas relaciones cambian conforme avanza la enfermedad o inicia la recuperación. Captar esa dinámica ha sido un desafío significativo para la IA aplicada a la medicina.
El modelo utiliza grafos dinámicos, una estructura matemática en la que cada variable clínica, por ejemplo, presión arterial, creatinina o frecuencia cardíaca, se representa como un nodo, y las conexiones entre ellas reflejan cómo se influyen mutuamente. En este sentido, DynaGraph aprende estas conexiones directamente de los datos, sin depender de reglas médicas predefinidas, y permite que dichas relaciones se modifiquen con el paso del tiempo.
Para lograrlo, el sistema divide la evolución del paciente en ventanas temporales y construye un grafo distinto para cada una. Así, puede identificar, por ejemplo, que la relación entre la función renal y la presión arterial se vuelve más fuerte antes de que ocurra una complicación grave, o que ciertos marcadores inflamatorios pierden relevancia cuando el paciente comienza a estabilizarse. Esta capacidad de adaptación refleja mejor la realidad clínica que los modelos tradicionales.
Uno de los aspectos más relevantes del estudio es la interpretabilidad del modelo. DynaGraph no solo predice riesgos, sino que también muestra qué variables y qué relaciones entre ellas influyen más en cada momento. Esto se logra mediante un mecanismo que asigna pesos de importancia a los nodos y conexiones del grafo, ofreciendo explicaciones alineadas con el razonamiento médico y facilitando la confianza en los resultados.
El equipo evaluó DynaGraph en cuatro grandes bases de datos de expedientes clínicos MIMIC-III, elCU, HiRID-ICO y EHRSHOT, que en conjunto incluyen información de más de 40 mil pacientes en unidades de cuidados intensivos y atención primaria. En las primeras tres tuvo un desempeño superior a 85% en sensibilidad, mientras que en EHRSHOT alcanzó un79.4% en métricas clave para detectar eventos poco frecuentes, como complicaciones graves o riesgo de muerte.
Además de su precisión, el modelo matuvo un buen desempeño en distintos grupos de edad, sexos y momentos de la estancia hospitalaria. Su tiempo de respuesta es de apenas milisegundos, lo que abre la puerta a su uso en sistemas de apoyo a la decisión clínica en tiempo casi real.
Los autores señalan que, DynaGraph no establece relaciones causales directas, es decir, no prueba que una variable cause otra, pero sí ofrece una representación más fiel y comprensible de la evolución clínica. En el futuro, el enfoque podría ampliarse para integrar notas médicas, estudios de imagen o incluso datos genómicos.
