Una nueva herramienta clínica basada en IA
Un grupo de investigadores de la Manipal Academy of Higher Education ha desarrollado un modelo de inteligencia artificial (IA) capaz de predecir con alta precisión si una persona es fumadora. Utilizando una muestra equilibrada de 2.000 casos (1.000 fumadores y 1.000 no fumadores) extraída de un conjunto de datos disponible en Kaggle, el sistema analiza parámetros clínicos como la hemoglobina, el GTP (transaminasa glutámico pirúvica) y la altura, con un índice de acierto del 80% utilizando algoritmos como Random Forest.
El reto de detectar a fumadores ocultos
Detectar el hábito de fumar es crucial, pero muchas personas lo ocultan por motivos sociales o laborales. Esto puede dificultar diagnósticos médicos y retrasar tratamientos. Frente a este problema, los autores del estudio han apostado por un enfoque no invasivo que no depende de cuestionarios ni de la sinceridad del paciente. El modelo emplea técnicas de machine learning para evaluar características fisiológicas objetivas y detectar patrones asociados al tabaquismo.
Cuatro técnicas para entender las decisiones de la IA
Lo más innovador de este trabajo es la incorporación de cuatro técnicas de IA explicable (XAI): SHAP, LIME, QLattice y Anchor. Estas herramientas permiten desentrañar cómo y por qué el modelo llega a su predicción. SHAP, por ejemplo, identifica a la hemoglobina como el factor más influyente, mientras que LIME, QLattice y Anchor resaltan la importancia del GTP. Incluso se han descubierto combinaciones significativas entre variables, como “GTP x altura – hemoglobina”, que ayudan a afinar el diagnóstico.
Un modelo transparente y aplicable en la vida real
El estudio ha validado su sistema con múltiples técnicas estadísticas y ha comparado su rendimiento con otros métodos previos. Mientras que investigaciones anteriores lograban un 77% de acierto sin explicar sus decisiones, este nuevo enfoque no solo supera esa cifra, sino que también ofrece interpretabilidad. Esto permite a médicos y responsables sanitarios confiar más en los resultados y utilizarlos como base para intervenciones personalizadas.
¿Dónde puede usarse este sistema?
Los autores proponen que este tipo de IA se integre en sistemas de historia clínica electrónica como herramienta de apoyo al diagnóstico. También podría emplearse en programas de cribado en escuelas, centros de salud o lugares de trabajo, facilitando la detección temprana y la prevención de enfermedades asociadas al tabaquismo.
Perspectivas y limitaciones
A pesar de los buenos resultados, el estudio también reconoce sus límites. Solo se han utilizado variables clínicas y no se ha tenido en cuenta el impacto de otros factores como el alcohol o la actividad física. Tampoco se ha evaluado la equidad del modelo entre diferentes grupos de edad o condiciones sociales. En futuras investigaciones, los autores planean incluir estos aspectos y mejorar el rendimiento mediante modelos más complejos como redes neuronales profundas.
Un paso hacia la medicina personalizada
Este enfoque de IA explicable no solo mejora la predicción, sino que abre la puerta a una medicina más transparente y comprensible. En lugar de confiar en algoritmos como cajas negras, los profesionales pueden comprender cómo se generan las recomendaciones, tomar decisiones informadas y ganarse la confianza de los pacientes. Un paso más en la integración ética y efectiva de la inteligencia artificial en la salud pública.
La imagen de portada de esta noticia pertenece a Sajjad Zabihi y ha sido publicada en Unsplash
