“Inteligencia Artificial y prospectiva del ejercicio profesional”

La Inteligencia Artificial Como Herramienta Predictiva de Mortalidad

Con el resurgimiento y el mejor entendimiento de la inteligencia artificial (IA), es posible que existan estrategias para predecir el riesgo de morir, a continuación se nombran algunos estudios donde la IA permitió establecer este riesgo.

La IA, basada en el aprendizaje automático, permitió la predicción del riesgo de muerte neonatal e infantil como lo describe Teji, J (2022), y es a partir de los datos de bebés nacidos y fallecidos del Centro Nacional de Estadísticas de Salud (NCHS) desde el 2014 al 2017, donde se aplicó la herramienta NeoAI 1.0, que permite evaluar factores de riesgo por medio de regresión.

Sun, W (2023) utilizó modelos de predicción de mortalidad por Deep Learning (DL), ​​basados ​​en electroencefalogramas (ECG) de 244.077 pacientes entre el 2007 al 2020, en el hospital de Alberta, Canadá. Allí se aplicaron las herramientas de red neuronal residual (ResNet), donde la nueva neurona se ensambla en una red neuronal previa y, en eXtreme Gradient Boosting (XGBoost), se crean modelos secuenciales tomando como base el modelo anterior, los cuales arrojaron que en 30 días el 7,6 % de los pacientes fallecieron, en el primer año falleció el 17,3 % y a los 5 años el 32,9 %. Los modelos ResNet, basados ​​únicamente en trazos de ECG, tuvieron un rendimiento de bueno a excelente y fueron superiores a los modelos XGB basados ​​en mediciones de ECG que relacionaron el análisis estadístico del área bajo la curva (ROC).

Otra aplicación predictiva de la IA fue realizada por Kumar, V (2022), quien desarrolló un índice de vulnerabilidad al suicidio, esto debido a que las cifras de suicidio en la actualidad a nivel mundial indican que cada 40 segundos muere una persona por esta causa, y 800.000 personas mueren por suicidio cada año.

El modelo de aprendizaje automático fue basado en XGBoost, a partir de datos públicos de condados de Estados Unidos (EE. UU) en el período de 2010 a 2019, allí se evaluaron 17 características únicas para cada uno de los 3.140 condados, y para los valores de explicaciones aditivas se usó una librería para realizar inteligencia artificial explicable (XAI por sus siglas in inglés explainable artificial intelligence), que  detectó cinco características, las cuales se usaron para crear un índice de vulnerabilidad al suicidio (SVI). Este SVI tiene el potencial de detectar condados vulnerables a altas tasas de suicidio y puede ayudar en los esfuerzos específicos de su control y prevención, lo que lo convierte en una herramienta para la toma de decisiones informadas.

Como los ejemplos anteriores, otras múltiples investigaciones han determinado factores relacionados con la mortalidad y en la actualidad la IA ha sido un apoyo a las estrategias estadísticas conocidas para la predicción de riesgo de morir, sin embargo, en el futuro se requieren más investigaciones para establecer los aportes y beneficios de la IA como herramienta predictiva de investigaciones que relacionan mortalidad.

Referencias

• Kumar, V., Sznajder, K. K., & Kumara, S. (2022). Machine learning based suicide prediction and development of suicide vulnerability index for US counties. Npj Mental Health Research, 1(1), 1–8. https://doi.org/10.1038/s44184-022-00002-x

• Sun, W., Kalmady, S. V., Sepehrvand, N., Salimi, A., Nademi, Y., Bainey, K., Ezekowitz, J. A., Greiner, R., Hindle, A., McAlister, F. A., Sandhu, R. K., & Kaul, P. (2023). Towards artificial intelligence-based learning health system for population-level mortality prediction using electrocardiograms. Npj Digital Medicine, 6(1), 21. https://doi.org/10.1038/s41746-023-00765-3

• Teji, J. S., Jain, S., Gupta, S. K., & Suri, J. S. (2022). NeoAI 1.0: Machine learning-based paradigm for prediction of neonatal and infant risk of death. Computers in Biology and Medicine, 147(105639), 105639. https://doi.org/10.1016/j.compbiomed.2022.105639

• World Health Organization, author. Preventing suicide: a global imperative [Internet] World Health Organization; Geneva: 2014. Aug 17, [cited at 2020 Jul 15]. https://www.who.int/publications/i/item/9789241564779. [Google Scholar]