En la sección Ciencia MÁS abierta, explicamos en formato divulgativo algunas de nuestras publicaciones científicas.
En esta misma página puedes consultar también el artículo original en formato artículo científico.
Debido a la enorme cantidad de datos que se generan hoy en día en los hospitales, resulta de gran interés desarrollar e introducir nuevas técnicas para analizarlos de forma automática y eficiente mediante el empleo de técnicas de inteligencia artificial (IA). Una de las áreas donde la IA puede suponer una ventaja es en las Unidades de Cuidados Intensivos.
Las personas que reingresan en las UCI durante la misma estancia hospitalaria (es decir, sin ser dados de alta), tienen un mayor riesgo de mortalidad, morbilidad y de estancias más largas. Por este motivo, este trabajo explora y evalúa la mejora potencial de los modelos existentes para prever la readmisión precoz de pacientes en la UCI mediante el empleo de algoritmos de inteligencia artificial optimizados y el uso de técnicas de explainability (explicabilidad).
Como modelo predictor empleamos XGBoost, perteneciente a la familia de Gradient Boosting y que destaca por ser uno de los que mejores resultados obtiene en el estado del arte actual para este tipo de problemas. Este se combina con el empleo de técnicas bayesianas para optimizarlo, mejorando la precisión de los resultados obtenidos. Además, en este artículo explicamos su funcionamiento interno mediante técnicas basadas en la teoría de juegos (en concreto en las Shapley Additive Explanations), lo que nos permite comprender su funcionamiento interno en lugar de tratarlo como una caja negra, obteniendo información útil: umbrales a partir de los cuales una variable comienza a ser crítica para un determinado grupo de pacientes, el ránking de las variables que más influencia tienen en la predicción del reingreso y la medida en la que influye el valor de cada una de ellas. Por último, es importante destacar que estos desarrollos se encuentran en fase de investigación, para lo cual se cuenta con la ayuda de personal clínico, debido al carácter multidisplinar de este tipo de proyectos.
En este estudio se ha empleado una base de datos UCI de acceso abierto: MIMIC-III.