El modelo CAD-SS combina inteligencia artificial e interpretabilidad clínica para identificar a pacientes de alto riesgo con mayor precisión y rapidez.
Un equipo interdisciplinario liderado por investigadores de la Universidad de Florida propuso un modelo de inteligencia artificial (IA) para la predicción a largo plazo de la mortalidad en pacientes con enfermedad arterial coronaria (CAD, en inglés). El estudio publicado en Journal of Biomedical Informatics detalla cómo CAD-SS, un modelo basado en redes neuronales gráficas (GNN, en inglés) tiene la capacidad de ofrecer predicciones precisas y comprensibles.
A diferencia de los métodos tradicionales que dependen de factores de riesgo establecidos, como la presión arterial o el colesterol, CAD-SS incorpora variables causales y demográficas seleccionadas mediante un enfoque estadístico híbrido. Primero, se aplica regresión logística para identificar variables significativas, y luego se utiliza emparejamiento por puntuación de propensión o propensity score matching para determinar aquellas con posibles efectos causales en la mortalidad.
Con esta información, los pacientes se representan como nodos en un gráfico, y las conexiones se establecen entre quienes comparten características similares. Sobre este grafo, los investigadores diseñaron dos tipos de redes neuronales: una red convolucional gráfica (GCN, en inglés) de cinco capas y una red de atención de gráfico (GAT), ambas ligeras y con capacidad de interpretación mediante la herramienta GNNExplainer.
“Nuestro marco propuesto ofrece la opción de identificar características causales e incluirlas en el marco de predicción basado en IA” afirmpo el Dr. Md Mahmudul Hasan. “Nuestra red neuronal gráfica también puede extraer datos de pacientes vecinos, lo que resulta útil para comprender cómo las características demográficas y clínicas influyen colectivamente en el riesgo de un paciente. También propusimos una herramienta explicativa que puede ayudar a los médicos a identificar los factores más importantes e influyentes que ponen en riesgo a un paciente”.
En términos de rendimiento, el modelo GCN logró una sensibilidad o recall del 93.02% y un valor predictivo negativo del 89.42%, superando a otros algoritmos de machine learning probados. Esto implica que CAD-SS puede detectar con mayor precisión a los pacientes con alto riesgo de fallecer por enfermedad coronaria.
El Dr. Hassan afirma que este modelo puede mejorar la toma de decisiones clínicas, además explica que los médicos pueden identificar y estratificar a los pacientes en función de su riesgo, dando prioridad a los que necesitan cuidados inmediatos o intensivos. “Al identificar las características causales, nuestro modelo ayuda a los médicos a orientar y personalizar sus intervenciones, hacer mejor uso de los limitados recursos sanitarios y agilizar el flujo de trabajo clínico”.
Gracias a su diseño eficiente, interpretable y basado en datos causales, además de su diseño interdisciplinario, CAD-SS representa un avance prometedor en la medicina personalizada para enfermedades cardiovasculares. “La combinación de los conocimientos complementarios de mis colegas ha facilitado la resolución innovadora de problemas, garantizando que nuestro modelo y nuestros sistemas de apoyo sean a la vez científicamente avanzados y clínicamente pertinentes”, concluyó el Dr. Hassan.
