Sistema inteligente para la predicción de mortalidad en Unidades de Cuidados Intensivos

María del Rocío Vicente González; María Matilde  García Lorenzo; Rafael Fernández Fleites; Roberto Vicente Rodríguez

Autores/as

María del Rocío Vicente González Universidad Central "Martha Abreu" de Las Villas https://orcid.org/0009-0007-8841-0950
María Matilde García Lorenzo Universidad Central "Martha Abreu" de Las Villas
Rafael Fernández Fleites Universidad Central "Martha Abreu" de Las Villas
Roberto Vicente Rodríguez Universidad Central "Martha Abreu" de Las Villas

Palabras clave:

Unidad de Cuidados intensivos, Perceptrón Multicapa, Inteligencia artificial explicable, LIME, Predicción de mortalidad

Resumen

La predicción temprana de mortalidad en Unidades de Cuidados Intensivos (UCI) mediante técnicas de aprendizaje automático se ha convertido en una herramienta clave para apoyar la toma de decisiones clínicas en entornos altamente dinámicos y críticos. En este trabajo se desarrolla un modelo de red neuronal Perceptrón Multicapa (MLP) para predecir la mortalidad en la UCI del Hospital Universitario "Arnaldo Milián Castro" de Villa Clara, Cuba. Se aplicaron técnicas de preprocesamiento para manejar inconsistencias en los datos clínicos, así como métodos de balanceo como BorderlineSMOTE para abordar el desbalance de clases. El modelo alcanzó métricas destacables en pruebas de campo: sensibilidad superior al 85%, área bajo la curva ROC (AUC-ROC) de 0,93 y precisión global elevada. Además, se implementó el método LIME (Local Interpretable Model-Agnostic Explanations) para mejorar la interpretabilidad de las predicciones. Los resultados evidencian el potencial del sistema para identificar pacientes en riesgo con un mínimo margen de error, constituyendo una herramienta de apoyo valiosa para el personal médico en entornos de cuidados intensivos.

Citas

Azar, A. T., Elshazly, H. I., Hassanien, A. E., & Elkorany, A. M. (2014). A random forest classifier for lymph diseases. Computer methods and programs in biomedicine, 113(2), 465-473.

Barredo Arrieta, A., Tabik, S., García López, S., Molina Cabrera, D., Herrera Triguero, F., & Díaz Rodríguez, N. A. (2019). Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI. https://digibug.ugr.es/handle/10481/77982

Belciug, S., & Gorunescu, F. (2020). Era of Intelligent Systems in Healthcare. En S. Belciug & F. Gorunescu, Intelligent Decision Support Systems—A Journey to Smarter Healthcare (Vol. 157, pp. 1-55). Springer International Publishing. https://doi.org/10.1007/978-3-030-14354-1_1

Bengio, Y., Lecun, Y., & Hinton, G. (2021). Deep learning for AI. Communications of the ACM, 64(7), 58-65. https://doi.org/10.1145/3448250

Došilović, F. K., Brčić, M., & Hlupić, N. (2018). Explainable artificial intelligence: A survey. 2018 41st International convention on information and communication technology, electronics and microelectronics (MIPRO), 0210-0215. https://ieeexplore.ieee.org/abstract/document/8400040/

Fernández, A., García, S., Galar, M., Prati, R. C., Krawczyk, B., & Herrera, F. (2018). Learning from Imbalanced Data Sets. Springer International Publishing. https://doi.org/10.1007/978-3-319-98074-4

Harnecker Fontecilla, M. B. (2017). Diseño y construcción de un modelo de predicción de mortalidad en pacientes adultos mayores hospitalizados en Unidad de Cuidados Intensivos del Hospital Clínico de la Universidad de Chile.

Johnson, A. E. W., Pollard, T. J., Shen, L., Lehman, L. H., Feng, M., Ghassemi, M., Moody, B., Szolovits, P., Anthony Celi, L., & Mark, R. G. (2016). MIMIC-III, a freely accessible critical care database. Scientific Data, 3(1), 160035. https://doi.org/10.1038/sdata.2016.35

Khorasani, M., Abdou, M., & Hernández Fernández, J. (2022). Getting started with streamlit. En Web Application Development with Streamlit: Develop and Deploy Secure and Scalable Web Applications to the Cloud Using a Pure Python Framework (pp. 1-30). Springer.

Nistal-Nuño, B. (2021). Artificial intelligence forecasting mortality at an intensive care unit and comparison to a logistic regression system. Einstein (São Paulo), 19, eAO6283. https://doi.org/10.31744/einstein_journal/2021AO6283

Ortigossa, E. S., Gonçalves, T., & Nonato, L. G. (2024). EXplainable artificial intelligence (XAI)–From theory to methods and applications. IEEE Access.

Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). «Why Should I Trust You?»: Explaining the Predictions of Any Classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135-1144. https://doi.org/10.1145/2939672.2939778

Sánchez Martín, D. (2024). Algoritmos de selección de características en aprendizaje automático. https://gredos.usal.es/handle/10366/164911

Shneiderman, B. (2020). Human-centered artificial intelligence: Three fresh ideas. AIS Transactions on Human-Computer Interaction, 12(3), 109-124.

Vieira, P. M., & Rodrigues, F. (2024). An automated approach for binary classification on imbalanced data. Knowledge and Information Systems, 66(5), 2747-2767. https://doi.org/10.1007/s10115-023-02046-7

Yang, L., & Shami, A. (2020). On hyperparameter optimization of machine learning algorithms: Theory and practice. Neurocomputing, 415, 295-316. https://doi.org/10.1016/j.neucom.2020.07.061