La adaptación proactiva y autoajustable de modelos de inteligencia artificial (IA) en entornos no estacionarios es un desafío crítico en contextos médicos, tal como lo exponen investigadores de la Universitat Politècnica de València. En estos escenarios, los cambios en las distribuciones de los datos de entrenamiento y los de despliegue pueden afectar negativamente el rendimiento de la IA, comprometiendo la precisión diagnóstica y la seguridad del paciente.

Por lo tanto, han propuesto un enfoque innovador, basado en el análisis funcional de datos (FDA), que prevé los parámetros de los modelos IA a través de bases de splines polinomiales. Este enfoque fue validado con un modelo de regresión logística, examinando especialmente cambios de probabilidad a priori, de covariables y en conceptos.

Los modelos fueron probados en un conjunto de datos controlado y en un dataset real del COVID-19 en México, destacando la capacidad del método en adaptarse a cambios de forma rápida y eficiente sin necesidad de datos de entrenamiento actualizados. Esta capacidad se traduce en un desempeño del modelo comparable al de sus versiones entrenadas con datos más recientes.

El estudio resalta la importancia de modelar la evolución temporal de parámetros IA para anticipar respuestas a hipótesis de cambios graduales y acelerando ante cambios abruptos. Los resultados sugieren que este método podría servir como una alternativa a la reacción estándar de reentrenamiento continuo, presentando una solución viable y costo-efectiva, especialmente valiosa en entornos donde el acceso a nueva información es limitado.

La investigación plantea un camino hacia una mayor resiliencia en sistemas de IA aplicados a la salud, abriendo la puerta a futuras implementaciones donde la IA pueda anticipar cambios y adaptarse proactivamente, mejorando así la precisión clínica sobre la marcha.