Explainable artificial intelligence models for predicting clinical events in chronic diseases using heterogeneous data

Abstract

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.