Explainable artificial intelligence models for predicting clinical events in chronic diseases using heterogeneous data
Fecha
2025
Autores
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Rey Juan Carlos
Resumen
Antecedentes. Las Enfermedades Crónicas (ECs) comprenden condiciones que duran
un año o más, requieren atención médica continua y afectan a la calidad de vida de
los pacientes. Representan uno de los retos más significativos a los que se enfrentan las
sociedades contemporáneas, evidenciando una prevalencia en constante incremento en los
últimos años. Este aumento se atribuye, en gran medida, al envejecimiento progresivo
de la población, así como a la influencia de factores modificables, entre los que destacan
los estilos de vida sedentarios y los hábitos alimentarios no saludables. Las ECs abarcan
una amplia gama de condiciones, siendo la diabetes y las Enfermedades Cardiovasculares
(ECVs) dos de las más comunes.
La diabetes mellitus es un trastorno metabólico complejo que ha emergido como uno de
los problemas de salud global más significativos del siglo XXI. Se trata de una condición
médica caracterizada por niveles elevados de glucosa en sangre, resultado de una producción insuficiente de insulina o de una función ineficaz de la misma. Esta condición
puede derivar en efectos muy perjudiciales para la salud como daños neurológicos o renales, entre otros. Existen diferentes tipos de diabetes, pero uno de los más peligrosos
es la Diabetes Tipo 1 (DT1), causada por una destrucción autoinmune de las células B
pancreáticas que provoca una ausencia total de producción de insulina. Los pacientes con
DT1 necesitan insulina de forma externa lo que puede producir efectos adversos como
la Hipoglicemia Severa (HS) que afectan negativamente a la salud. Las ECVs, por su
parte, constituyen un término muy amplio que engloba una variedad de condiciones que
afectan negativamente al corazón o a los vasos sanguíneos. Constituyen un problema de
salud pública de gran relevancia a nivel mundial, al ser la principal causa de enfermedad
y morbilidad, así como una de las principales causas de muerte prematura en los países
desarrollados. Además de su elevada prevalencia y mortalidad, estas patologías implican
una considerable carga económica y asistencial, derivada de la necesidad de tratamientos
prolongados, hospitalizaciones recurrentes y un uso intensivo y continuo de los servicios
sanitarios.
Una posible ayuda para solucionar este tipo de problemas es la aparación de la Inteligencia Artificial (IA) que ha revolucionado la era digital, con resultados sobresalientes
en distintos campos como la ciberseguridad, la economía y la salud. En el ámbito sanitario,
los modelos de IA muestran un gran potencial para la detección temprana e identificación
de factores de riesgo de enfermedades, apoyando la toma de decisiones clínicas y contribuyendo a la prevención de ECs. Dentro del campo de la IA, se pueden encontrar
diversas ramas, siendo una de las más destacadas el aprendizaje automático, que se enfoca
en la creación de modelos computacionales capaces de extraer conocimiento a partir de
datos, con una razonable capacidad de generalización.
En la literatura, se han desarrollado numerosos modelos basados en IA para aplicaciones en el ámbito sanitario, logrando resultados sobresalientes en la detección y diagnóstico de distintas enfermedades. Sin embargo, la aplicación de la IA en salud enfrenta
dos grandes desafíos: la naturaleza heterogénea de los datos médicos y la falta de explicabilidad en las decisiones tomadas por los modelos. Los modelos de IA extraen conocimiento
a partir de los datos, por tanto, la naturaleza de estos datos juega un papel crucial en el
diseño y desempeño de los métodos de IA. En algunos casos, los datos obtenidos de una
sola modalidad pueden ser suficientes para caracterizar adecuadamente la evolución del
estado de salud de un paciente. La recopilación de datos procedentes de múltiples fuentes
ofrece perspectivas complementarias y permite acceder a una información más completa e
integral. En este contexto, se hace imprescindible explorar el uso de datos heterogéneos,
como series temporales, imágenes o texto, mediante el entrenamiento de distintos modelos
de IA que integren dicha diversidad. Asimismo, resulta fundamental garantizar la explicabilidad, entendida como la capacidad de interpretar y comprender el proceso seguido
por el modelo para alcanzar su decisión final. Este aspecto resulta especialmente crítico
en el ámbito sanitario, donde la falta de explicabilidad en algunos modelos de IA representa una barrera significativa para su implementación práctica en entornos clínicos. Para
enfrentar este desafío, en la literatura se han propuesto diversos métodos, creando un
subcampo de la IA denominado Inteligencia Artificial Explicable (eXplainable Artificial
Intelligence, XAI). Las técnicas de XAI tienen como objetivo proporcionar información
clara sobre cómo y por qué los modelos toman sus decisiones, mejorando así la confianza,
la transparencia y la interpretabilidad.
Descripción
Tesis Doctoral leída en la Universidad Rey Juan Carlos de Madrid en 2025.
Directores:
Dr. Cristina Soguero Ruiz
Dr. Cristian David Chushig Muzo
Palabras clave
Citación
Colecciones

Excepto si se señala otra cosa, la licencia del ítem se describe como Attribution-ShareAlike 4.0 International