Un nuevo estudio a gran escala ha demostrado el potencial que tienen los modelos multimodales para predecir el riesgo de mortalidad a un año utilizando datos clínicos amplios y variados. La investigación, publicada en el Journal of Biomedical and Health Informatics, se centró en desarrollar modelos de riesgo que sean precisos y con interpretabilidad, un aspecto fundamental para su implementación y aceptación en la práctica médica diaria.
El estudio destaca la importancia de un enfoque multimodal, utilizando datos clínicos tabulares, videos de ecocardiografía y trazas de electrocardiogramas (ECG). Estas modalidades permiten evaluar desde variables del paciente como demografía y resultados de laboratorio, hasta señales complejas recogidas directamente por dispositivos médicos. Con 2,922,990 trazas de ECG y 699,822 estudios de ecocardiografías de 316,125 pacientes, se confirman los beneficios al incorporar datos de diversas fuentes para crear modelos predictivos más confiables.
Un aspecto destacado de la investigación es la presentación de un modelo neural modular que combina diferentes entradas y utiliza transformaciones polinomiales para evaluar el riesgo. Esto no solo mejora la precisión sino que, además, ofrece claridad sobre cómo cada factor contribuye al riesgo global. Este punto resulta crucial para abordar uno de los desafíos más debatidos en el machine learning aplicado a la salud: la interpretabilidad del modelo.
Los resultados indican que el riesgo de mortalidad incrementa con factores añadidos como la edad elevada, el aumento de la velocidad máxima de regurgitación tricúspide y bajos niveles de linfocitos, reflejando posibles infecciones severas. El estudio, además de presentar modelos complejos, propone modelos mínimos que utilizan parámetros fácilmente obtenibles en ambientes no hospitalarios, como el peso y la presión arterial del paciente, manteniendo una precisión notable.
Con un índice AUC que alcanzó el 0.9, esta investigación no solo subraya el poder predictivo de los modelos multimodales en estudios de salud electrónica, sino que también sienta las bases para su aplicabilidad práctica en el cuidado clínico diario, favoreciendo tanto a médicos como a pacientes con predicciones más acertadas y comprensibles.