Cuando los proveedores de atención médica solicitan una prueba o recetan un medicamento, quieren tener un 100% de confianza en su decisión. Eso significa poder explicar su decisión y estudiarla dependiendo de cómo responda el paciente. A medida que aumenta la huella de la inteligencia artificial en la medicina, esa capacidad de controlar el trabajo y seguir el camino de una decisión puede volverse un poco confusa. Es por eso que el descubrimiento de una línea directa que alguna vez estuvo oculta entre dos modelos predictivos populares utilizados en inteligencia artificial abre la puerta mucho más para difundir con confianza el aprendizaje automático en toda la atención médica. El descubrimiento del algoritmo de vinculación y la posterior creación del "árbol aditivo" se detalla ahora en el procedimientos de la Academia Nacional de Ciencias ( PNAS ).

"En medicina, el costo de una decisión incorrecta puede ser muy alto, "dijo uno de los autores del estudio, Lyle Ungar, Doctor, profesor de Ciencias de la Información y la Computación en Penn. "En otras industrias, por ejemplo, si una empresa está decidiendo qué anuncio mostrar a sus consumidores, es probable que no necesiten volver a verificar por qué la computadora seleccionó un anuncio determinado. Pero en el cuidado de la salud ya que es posible dañar a alguien con una decisión equivocada, es mejor saber exactamente cómo y por qué se tomó una decisión ".

El equipo dirigido por José Marcio Luna, Doctor, un investigador asociado en Oncología Radioterápica y miembro del Computational Biomarker Imaging Group (CBIG) en Penn Medicine, y Gilmer Valdés, Doctor, profesor asistente de Oncología Radioterápica en la Universidad de California, San Francisco, descubrió un algoritmo que va de cero a uno en una escala. Cuando un modelo predictivo se establece en cero en la escala del algoritmo, sus predicciones son más precisas pero también más difíciles de descifrar, similar a los modelos de "aumento de gradiente". Cuando un modelo se establece en uno, es más fácil de interpretar, aunque las predicciones son menos precisas, como "árboles de clasificación y regresión" (CART). Luna y sus coautores desarrollaron posteriormente su árbol de decisiones en algún lugar en el medio de la escala del algoritmo.

"Previamente, las personas usaron CART y el aumento de gradiente por separado, como dos herramientas diferentes en la caja de herramientas, "Dijo Luna." Pero el algoritmo que desarrollamos muestra que ambos existen en los extremos de un espectro. El árbol de aditivos utiliza ese espectro para que obtengamos lo mejor de ambos mundos:alta precisión e interpretabilidad gráfica ".

En el estudio, los investigadores encontraron que el árbol aditivo mostraba un rendimiento predictivo superior al CART en 55 de 83 tareas diferentes. En el otro extremo, el aumento de gradiente funcionó mejor en la predicción en 46 de 83 escenarios. Si bien esto no fue significativamente mejor, muestra que el árbol de aditivos era competitivo y, al mismo tiempo, más interpretable.

Avanzando el árbol de aditivos ofrece una opción atractiva para los sistemas sanitarios, especialmente para el diagnóstico y la generación de pronósticos en una era en la que hay más demanda de medicina de precisión. Es más, El árbol de aditivos tiene el potencial de ayudar a tomar decisiones informadas en otros dominios de gran importancia, como la justicia penal y las finanzas. donde la interpretación de los modelos podría ayudar a superar posibles riesgos graves.