La oportunidad de predecir el riesgo de osteoporosis ha tomado un enfoque novedoso con la integración de técnicas de inteligencia artificial explicable (XAI) combinadas con métodos de machine learning (ML). Un estudio reciente realizado por investigadores de la Universidad North South de Bangladesh se centra en esta problemática, que afecta significativamente la salud global, especialmente en poblaciones rurales donde los métodos tradicionales de diagnóstico, como la absorciometría dual de rayos X (DXA), son de difícil acceso por sus costos elevados.
El equipo analizó seis clasificadores de ML: Random Forest, Regresión Logística, XGBoost, AdaBoost, LightGBM y Gradient Boosting. Además de utilizar datos del Kaggle con variedad de factores clínicos, demográficos y de estilo de vida, se afinó la calibración de los modelos empleando GridSearchCV para mejorar la eficacia predictiva.
Los resultados fueron prometedores. XGBoost se destacó con una precisión del 91%, una diana que superó a los demás modelos en medidas clave como precisión, sensibilidad y puntuación F1. Estas cifras destacan el potencial de XGBoost para modelar características complejas y no lineales de la osteoporosis mediante métodos de bosque potenciado.
La transparencia de los modelos, vital para su aplicación clínica, fue asegurada a través de las técnicas XAI. Modelos como SHAP, LIME y Permutation Feature Importance no solo explican el proceso de decisión de los modelos, sino que también destacan la edad como el factor preponderante en el riesgo de osteoporosis, seguido por los cambios hormonales y el historial familiar, corroborando el conocimiento clínico existente.
Aunque las técnicas ML lograron una impresionante capacidad predictiva, el estudio reconoce limitaciones inherentes, como las diferencias en cuanto a la distribución de los datos recopilados frente a contextos del mundo real y la falta de una validación externa robusta de un grupo independiente. A futuro, los investigadores planean expandir estas métricas añadiendo biomarcadores e informacion genética, para así lograr una identificación más exhaustiva de factores predictivos. Este camino culminaría con un sistema de soporte a decisiones basado en XAI, adaptado a las necesidades locales de Bangladesh y con potencial para transformar la gestión del riesgo de osteoporosis a nivel global.
Concluyendo, la integración de XAI en los modelos ML ofrece una poderosa herramienta para el diagnóstico temprano y la predicción del riesgo de osteoporosis. La clara identificación de los factores de riesgo y la capacidad de explicar las decisiones del modelo otorgan confianza, esenciales para un futuro más seguro en medicina preventiva.