MO-AIWOA-XAI: A Multi-Objective Explainable Diabetes Risk Prediction integrating Feature Optimization and Cross-Dataset Validation

La diabetes es una afección en la que el cuerpo tiene dificultades para gestionar el azúcar, lo que provoca graves problemas de salud si no se detecta a tiempo. Los médicos han dependido durante mucho tiempo de los análisis de sangre y los exámenes físicos para detectar las señales de advertencia, pero estos métodos suelen requerir una visita a una clínica y un laboratorio. En años recientes, los científicos se han vuelto hacia las computadoras para ayudar. Al alimentar programas de aprendizaje automático con registros médicos, los investigadores pueden enseñar a las computadoras a detectar patrones que sugieran que una persona está en riesgo de desarrollar diabetes. Sin embargo, estos programas informáticos suelen actuar como cajas negras. Pueden dar una respuesta correcta, pero no pueden explicar por qué llegaron a esa conclusión. Para que un médico confíe en el consejo de una computadora, necesita entender el razonamiento detrás de este. Necesita saber qué factores específicos, como la edad o la presión arterial, inclinaron la balanza. Además, muchos modelos informáticos se entrenan con un solo tipo de datos de pacientes, lo que deja unclear si funcionarían para un grupo diferente de personas.

Un equipo de investigadores ha desarrollado un nuevo sistema diseñado para resolver estos problemas. Su enfoque, que llaman MO-AIWOA-XAI, está construido para hacer tres cosas a la vez: encontrar las pistas de salud más importantes, predecir el riesgo de diabetes con alta precisión y explicar exactamente cómo realizó esa predicción. El sistema comienza filtrando una gran lista de detalles del paciente para encontrar los pocos que realmente importan. Luego utiliza un programa de aprendizaje inteligente para realizar su predicción. Finalmente, genera un informe claro para el médico, mostrando no solo el nivel de riesgo, sino también qué cambios podría realizar un paciente para reducir ese riesgo. Los investigadores probaron este sistema en dos conjuntos de datos de pacientes muy diferentes para asegurar que funcione de manera confiable.

Los investigadores comenzaron reuniendo dos colecciones distintas de información de pacientes. El primer conjunto provino de un grupo de mujeres de herencia indígena Pima e incluyó mediciones fisiológicas detalladas como niveles de glucosa, presión arterial e índice de masa corporal. El segundo conjunto era diferente; se centraba en síntomas de advertencia temprana, como sed frecuente, pérdida de peso repentina y visión borrosa, recopilados de una población mixta. Estos dos conjuntos de datos representaban diferentes formas en que los médicos podrían encontrar la enfermedad: uno a través de resultados de laboratorio y el otro a través de las quejas de los pacientes. Antes de que la computadora pudiera aprender de estos datos, los investigadores tuvieron que limpiarlos. Completaron los números faltantes, ajustaron las diferencias en cómo se registraron los datos y equilibraron los grupos para que la computadora no tuviera un sesgo hacia un resultado sobre otro.

Para encontrar los mejores predictores, el equipo utilizó un método inspirado en el comportamiento de caza de las ballenas jorobadas. En la naturaleza, estas ballenas trabajan juntas para atrapar peces en una red de burbujas. El algoritmo de la computadora imita esto enviando un grupo de "ballenas" virtuales para explorar diferentes combinaciones de factores de salud. Cada ballena prueba un conjunto específico de características, como verificar si la edad y la glucosa juntas son mejores predictores que la edad y la presión arterial. El algoritmo mejora con el tiempo, aprendiendo qué combinaciones funcionan mejor. Crucialmente, este sistema fue diseñado para buscar dos objetivos simultáneamente: quería la mayor precisión posible en la predicción de la diabetes, pero también quería utilizar la menor cantidad de características posible. Esto es vital para el uso en el mundo real, ya que los médicos prefieren chequeos simples y rápidos en lugar de paneles de pruebas complejos y costosos.

Después de ejecutar este proceso de optimización, el sistema identificó un pequeño y poderoso grupo de cuatro factores que tenían el mayor peso: el número de embarazos que una mujer ha tenido, su nivel de glucosa, su presión arterial y su índice de masa corporal. Al enfocarse solo en estos cuatro, el sistema redujo la cantidad de datos que necesitaba procesar en aproximadamente un 60 por ciento, manteniendo aun así su capacidad para detectar la enfermedad. Los investigadores luego entrenaron un modelo de predicción final utilizando estos cuatro factores clave. Para asegurar que el modelo estuviera perfectamente ajustado, utilizaron una herramienta automatizada que probó miles de configuraciones diferentes para encontrar la que funcionaba mejor.

Los resultados de este nuevo marco fueron impresionantes. Cuando se probó en el conjunto de datos de los indígenas Pima, el sistema identificó correctamente los casos de diabetes el 83.76 por ciento de las veces. En el segundo conjunto de datos, que se centraba en síntomas tempranos, logró una precisión aún mayor del 95.19 por ciento. Más importante aún, el sistema demostró que no estaba simplemente adivinando; era estable. Cuando los investigadores probaron el sistema en diferentes segmentos de los datos, los resultados se mantuvieron consistentes. También verificaron si las probabilidades que la computadora daba coincidían con la realidad, y encontraron que las predicciones estaban bien calibradas, lo que significa que un puntaje de riesgo del 90 por ciento realmente significaba una alta probabilidad de la enfermedad.

Quizás la parte más significativa de este trabajo es la explicación. El sistema no solo dice "alto riesgo"; le dice al médico por qué. Utilizando una técnica llamada SHAP, mostró que la glucosa y el índice de masa corporal eran los factores más influyentes en todo el grupo de pacientes. Para un paciente individual, el sistema utiliza LIME para explicar el riesgo de esa persona específica, resaltando exactamente qué mediciones elevaron su puntuación. Incluso va un paso más allá con un método llamado DiCE, que genera explicaciones contrafácticas. Esto significa que el sistema puede decirle a un paciente qué tendría que cambiar para reducir su riesgo. Por ejemplo, podría mostrar que si el nivel de glucosa de un paciente fuera ligeramente menor o su peso ligeramente reducido, la predicción de la computadora cambiaría de "diabetes" a "no diabetes". Esto convierte una predicción estática en una herramienta dinámica para la prevención.

Los investigadores validaron su trabajo comparándolo con métodos más antiguos y probándolo a través de los dos conjuntos de datos diferentes. Encontraron que su enfoque era más robusto y confiable que las técnicas estándar. También confirmaron que las explicaciones que el sistema daba eran estables; si ejecutaban la prueba nuevamente, el sistema señalaría los mismos factores importantes. Esta consistencia es esencial para generar confianza en entornos médicos. El estudio concluye que, al combinar una selección inteligente de características, un modelo de predicción potente y explicaciones claras, es posible crear una herramienta que sea tanto precisa como comprensible. Este marco ofrece un camino a seguir para el apoyo a la decisión clínica, donde las computadoras pueden asistir a los médicos no solo calculando números, sino proporcionando el contexto y el razonamiento necesarios para tomar decisiones informadas sobre la atención al paciente.