Optimising supervised machine learning algorithms predicting cigarette cravings and lapses for a smoking cessation just-in-time adaptive intervention (JITAI)

Este estudio optimizó algoritmos de aprendizaje automático para predecir momentos de alto riesgo en una intervención adaptativa para dejar de fumar, concluyendo que, aunque la predicción de recaídas fue moderadamente efectiva, el rendimiento general fue modesto y variable entre individuos, lo que sugiere que estos modelos deben combinarse con enfoques basados en reglas para su implementación real.

Lo esencial

Aquí tienes una explicación sencilla y creativa de este estudio, imaginando cómo funciona la tecnología para dejar de fumar.

🚭 El Gran Desafío: Adivinar cuándo vas a recaer

Imagina que quieres dejar de fumar. Sabes que los momentos más peligrosos no son a las 8:00 de la mañana cuando estás tranquilo, sino en esos instantes de estrés, aburrimiento o ansiedad donde sientes una urgencia terrible por encender un cigarrillo.

Los investigadores de este estudio querían crear un "guardián digital" (una aplicación inteligente) que pudiera predecir esos momentos de peligro antes de que ocurran y enviarte un mensaje de apoyo justo a tiempo. Pero había un problema: ¿Cómo saber cuándo avisarte sin molestarte todo el día?

🔍 La Analogía del Detective y el Teléfono

Imagina que la aplicación es un detective privado y tú eres su cliente. El detective necesita pistas para saber cuándo vas a cometer un "crimen" (fumar un cigarrillo).

1. La Pista (Los Datos): El detective te hace preguntas constantes: "¿Cómo te sientes?", "¿Dónde estás?", "¿Estás con amigos?".
2. El Problema de la Carga: Si el detective te llama 16 veces al día (cada hora que estás despierto), te volverás loco, te cansarás y dejarás de contestar. Pero si te llama muy pocas veces, se perderá las pistas importantes y no podrá ayudarte.
3. El Experimento: Los científicos probaron diferentes estrategias para ver cuál era el equilibrio perfecto entre saber mucho y molestar poco.

🧪 ¿Qué probaron los científicos?

Usaron datos de 37 personas que intentaban dejar de fumar durante 10 días. Probaron tres cosas principales:

1. ¿Cuántas veces preguntar? (¿16 veces al día, 6, 4 o solo 3?)
2. ¿Cuántas pistas usar? (¿Usar todas las preguntas posibles o solo las más importantes?)
3. ¿Aprender de ti? (¿Usar solo datos de la "gente en general" o mezclarlos con tus propios datos pasados para personalizar el detective?)

📉 Los Hallazgos Sorprendentes (Las "Lecciones")

Aquí es donde la historia se pone interesante, porque los resultados no fueron exactamente lo que esperaban:

1. Menos preguntas, ¡mejor resultado para las recaídas!

• La intuición: Pensábamos que más preguntas (más datos) significarían un detective más listo.
• La realidad: Para predecir si alguien fumaría un cigarrillo (recaída), ¡funcionó mejor hacer menos preguntas!
• La analogía: Imagina que intentas adivinar si va a llover. Si miras el cielo cada segundo, te mareas y pierdes el patrón general. Si miras el cielo solo 3 veces al día (mañana, tarde y noche), ves mejor si las nubes se están acumulando.
• Resultado: Con solo 3 preguntas al día, el algoritmo fue muy bueno detectando el riesgo de fumar.

2. Pero... para la "ansiedad", sí necesitas más preguntas.

• Predecir si alguien tendrá mucha ansiedad (deseo de fumar) fue más difícil. Aquí, sí funcionó mejor hacer muchas preguntas.
• La analogía: La ansiedad es como una ola pequeña y rápida. Si no miras el mar constantemente, la ola pasa y no la ves. La recaída (fumar) es como una tormenta grande; se ve mejor desde lejos.

3. No necesitas ser un "experto en ti mismo".

• Pensaban que el detective tendría que aprender de tus datos específicos (tus primeros días de intento) para ser bueno.
• La realidad: El detective que usa datos de toda la gente (un grupo general) funcionó casi igual de bien que el que aprendía de ti.
• La lección: No hace falta que la app te "conozca" profundamente desde el primer día para ser útil. Un enfoque general funciona bien para la mayoría.

4. Menos es más (Simplificar las preguntas).

• Probaron reducir la cantidad de preguntas a las más importantes (como el estado de ánimo o si tienes cigarrillos cerca).
• Resultado: Funcionó igual de bien que hacer 20 preguntas. ¡Ahorrar tiempo al usuario no significa perder precisión!

💡 ¿Qué significa esto para el futuro?

Este estudio nos dice que la inteligencia artificial puede ayudar a dejar de fumar, pero no es magia perfecta.

• No es un oráculo infalible: A veces acierta, a veces falla. No podemos confiar ciegamente en que la app nos dirá exactamente cuándo fumarás.
• La clave es el equilibrio: La mejor estrategia parece ser una app que te pregunte pocas veces al día (3 o 4) y que se centre en predecir si vas a fumar (la acción), no solo si tienes ansiedad.
• El enfoque híbrido: Lo ideal no es solo confiar en la máquina. Lo mejor es combinar la predicción de la app con reglas simples (como "si me siento estresado, llamo a mi amigo") y con el juicio humano.

🏁 Conclusión Final

Imagina que dejar de fumar es como navegar en un barco. La aplicación es un radar. Este estudio nos dice que no necesitas un radar que escanee cada milímetro del océano cada segundo (eso agota la batería y al capitán). Necesitas un radar que haga escaneos estratégicos y menos frecuentes, que te avise de las tormentas grandes (recaídas) y que funcione bien para todos los barcos, no solo para el tuyo.

Es una herramienta prometedora, pero debe usarse con prudencia, sabiendo que a veces fallará, y que lo más importante es que no sea tan molesta que te haga querer tirarla por la borda.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los componentes solicitados:

Título del Estudio

Optimización de algoritmos de aprendizaje automático supervisado para predecir antojos y recaídas en cigarrillos en una intervención adaptativa en tiempo real (JITAI) para el cese del tabaquismo.

1. El Problema

Las intervenciones conductuales tradicionales para dejar de fumar a menudo se centran en la motivación general y no logran prevenir las recaídas en momentos críticos. Las Intervenciones Adaptativas en Tiempo Real (JITAI) buscan llenar este vacío entregando soporte justo cuando ocurren momentos de alto riesgo. Sin embargo, existe un dilema fundamental en el diseño de estas intervenciones:

• Carga vs. Rendimiento: Para que los algoritmos de aprendizaje automático detecten patrones de riesgo con precisión, necesitan datos densos (frecuencia alta de evaluaciones). Sin embargo, solicitar demasiados datos a los usuarios (carga de respuesta) reduce el cumplimiento y puede llevar al abandono de la intervención.
• Incertidumbre: No está claro cuál es la frecuencia mínima de muestreo necesaria, cuántas variables predictoras son esenciales, o si los algoritmos deben entrenarse con datos grupales o personalizados ("warm-start") para ser efectivos sin ser intrusivos.

2. Metodología

El estudio realizó un análisis secundario de datos recolectados previamente mediante Evaluación Ecológica Momentánea (EMA) con 37 participantes en los primeros 10 días de su intento de dejar de fumar.

• Datos Originales: Los participantes completaron 16 EMAs diarias (una cada hora de vigilia) durante 10 días, reportando estado de ánimo, contexto, comportamiento, antojos y recaídas.
• Algoritmo: Se utilizaron Bosques Aleatorios (Random Forest - RF) para predecir dos resultados distintos:
  1. Recaídas (Lapses): Definidas como un evento de fumar entre el EMA actual y el siguiente.
  2. Antojos Altos (High Cravings): Definidos como una puntuación $\ge$ 7 en una escala Likert de 0 a 10.
• Diseño Experimental (Variables Manipuladas):
  • Frecuencia de Prompts: Se simularon frecuencias reducidas seleccionando aleatoriamente subconjuntos de los 16 prompts originales: 16, 6, 5, 4 y 3 prompts por día.
  • Selección de Características (Feature Selection): Se compararon modelos con todas las variables predictoras (57 en total) frente a modelos con un subconjunto óptimo seleccionado mediante Eliminación Recursiva de Características con Validación Cruzada (RFE-CV).
  • Fuente de Datos de Entrenamiento: Se compararon algoritmos de nivel grupal (solo datos de otros participantes) con algoritmos híbridos (que incluyen el 10%, 20% o 30% de los datos propios del participante en el entrenamiento).
• Métricas de Evaluación:
  • Puntuación F1: Equilibrio entre precisión y recall (sensibilidad).
  • ROC-AUC: Capacidad general de discriminación entre clases.
  • Se utilizaron modelos mixtos de efectos para analizar las diferencias estadísticas entre configuraciones.

3. Contribuciones Clave

• Optimización de la Carga del Usuario: Proporciona evidencia empírica sobre cómo reducir la frecuencia de las encuestas afecta el rendimiento predictivo, permitiendo diseñar JITAI menos intrusivas.
• Análisis de Personalización: Evalúa si el "entrenamiento en caliente" (usar datos propios del usuario al inicio) mejora significativamente la predicción en comparación con modelos puramente grupales.
• Diferenciación de Resultados: Distingue que la predicción de recaídas y la predicción de antojos responden de manera diferente a los cambios en la densidad de datos y la personalización.
• Selección de Características: Determina si es posible reducir la cantidad de preguntas sin sacrificar la precisión del modelo.

4. Resultados Principales

• Rendimiento General: El rendimiento fue modesto en promedio y altamente variable entre individuos. Muchas configuraciones no alcanzaron los umbrales mínimos aceptables de rendimiento (especialmente en puntuación F1).
  • Recaídas: Mediana F1 = 0.436; Mediana ROC-AUC = 0.659.
  • Antojos: Mediana F1 = 0.400; Mediana ROC-AUC = 0.628.
• Efecto de la Frecuencia de Prompts:
  • Para Recaídas: Contrario a la intuición, reducir la frecuencia mejoró la puntuación F1 (de 0.254 con 16 prompts a 0.588 con 3 prompts). Sin embargo, el ROC-AUC mostró una ligera disminución o estabilidad, indicando que aunque hubo mejor equilibrio entre falsos positivos/negativos, la capacidad de discriminación general no mejoró linealmente.
  • Para Antojos: Reducir la frecuencia disminuyó consistentemente tanto el F1 como el ROC-AUC. Los antojos son más difíciles de predecir con datos menos densos.
• Selección de Características:
  • Para las recaídas, reducir el número de predictores tuvo un impacto negligible en el rendimiento.
  • Para los antojos, la reducción de predictores disminuyó ligeramente el rendimiento.
• Datos Propios (Personalización):
  • Recaídas: Incluir datos propios del usuario (hasta el 30%) mejoró significativamente la puntuación F1, pero no mejoró el ROC-AUC.
  • Antojos: Incluir datos propios empeoró el rendimiento (especialmente el ROC-AUC) en comparación con los modelos grupales.
• Variabilidad Individual: Hubo una gran variación en el rendimiento entre participantes; algunos modelos funcionaron muy bien, mientras que otros fallaron consistentemente.

5. Significado e Implicaciones

• Viabilidad de JITAI: Los resultados sugieren que es posible implementar algoritmos de aprendizaje automático en JITAI para el cese del tabaquismo sin una carga de datos excesiva (ej. 3-6 prompts diarios), especialmente si el objetivo es predecir recaídas en lugar de antojos.
• Estrategia de Implementación: Dado que el rendimiento es modesto y variable, el aprendizaje automático no debe ser la única herramienta de decisión. Se recomienda un enfoque híbrido que combine las señales de riesgo del algoritmo con reglas basadas en heurísticas o decisiones clínicas para aumentar la robustez y la aceptabilidad.
• Diseño de Intervención: Para las recaídas, se puede utilizar un modelo más parsimonioso (menos preguntas) sin perder precisión. Sin embargo, para los antojos, se requiere una mayor densidad de datos.
• Limitaciones: La predicción basada únicamente en EMA y ML es insuficiente para una implementación en el mundo real sin ajustes de umbral (threshold tuning) y validación en poblaciones más diversas. La alta variabilidad interindividual sugiere que una solución única no funciona para todos los usuarios.

En conclusión, el estudio ofrece una hoja de ruta pragmática para equilibrar la carga del usuario y la precisión algorítmica, sugiriendo que un modelo de nivel grupal, con una frecuencia moderada de prompts y selección de características, podría ser el punto de partida más viable para futuras intervenciones adaptativas.