El Fin Del Conocimiento - Bóveda 2 - ICLR (2014-2023)

graph LR classDef healthcare fill:#f9d4d4, font-weight:bold, font-size:14px; classDef parkinson fill:#d4f9d4, font-weight:bold, font-size:14px; classDef mortality fill:#d4d4f9, font-weight:bold, font-size:14px; classDef challenges fill:#f9f9d4, font-weight:bold, font-size:14px; A[Suchi Saria
ICLR 2018] --> B[Transformación impulsada por datos 1] A --> C[Cambios en políticas incentivaron
la digitalización de datos de pacientes 2] A --> D[El Parkinson afecta a millones,
el tratamiento gestiona síntomas 3] D --> E[Medir la severidad del Parkinson
es subjetivo, infrecuente 4] D --> F[Aplicación Android recoge
datos de síntomas de Parkinson 5] F --> G[Aprendizaje semi-supervisado usado
para mapeo de severidad 6] F --> H[Función objetiva aprende
severidad de clasificaciones 7] D --> I[mPDS se correlaciona con
instrumentos clínicos prospectivamente 8] D --> J[mPDS permite medición frecuente,
objetiva de síntomas 9] A --> K[Enfoque aplicable a
otras enfermedades 10] A --> L[Entender el dominio es crucial
para la formulación del problema 11] A --> M[Aprendizaje semi-supervisado, sensores
permiten supervisión limitada 12] A --> N[Diagnóstico temprano reconoce
enfermedades antes de síntomas 13] A --> O[El aprendizaje de máquina puede
permitir reconocimiento temprano 14] A --> P[Predicción de riesgo de mortalidad
usa mediciones iniciales 15] P --> Q[Diferentes conjuntos de datos producen
puntuaciones de riesgo conflictivas 16] P --> R[Intervenciones desconocidas afectan
riesgo entre predicción y resultado 17] P --> S[ML promedia sobre factores no vistos,
causando sensibilidad 18] P --> T[Modelos de razonamiento contrafactual
riesgo bajo intervenciones 19] T --> U[Proceso Gaussiano contrafactual
estima trayectorias de riesgo 20] T --> V[Modelo contrafactual produce
estimaciones de riesgo estables 21] A --> W[Controlar intervenciones
importante más allá de la salud 22] A --> X[ML robusto requiere
proceso iterativo 23] A --> Y[Aplicado a predicción temprana
de sepsis 24] A --> Z[Desafíos: formulación del problema, robustez,
validación, incertidumbre, colaboración 25] A --> AA[La salud ofrece aplicaciones de ML
impactantes 26] A --> AB[Análisis de supervivencia más
natural que clasificación 27] A --> AC[Restricciones refuerzan progresión
esperada del Parkinson, sensibilidad preocupante 28] A --> AD[Aprendizaje profundo plantea preocupaciones de generalización,
cuantificación de incertidumbre 29] A --> AE[Formulación del problema, sesgo, incertidumbre,
supervisión débil priorizados 30] class A,B,C,K,L,M,N,O,W,X,Y,Z,AA,AD,AE healthcare; class D,E,F,G,H,I,J,AC parkinson; class P,Q,R,S,T,U,V,AB mortality; class Z challenges;

Resumen:

1.-La atención médica está experimentando una transformación impulsada por datos, permitiendo intervenciones novedosas basadas en software para mejorar la calidad del cuidado y reducir costos.

2.-Cambios en políticas entre 2008-2010 incentivaron a los sistemas de salud a digitalizar los datos de los pacientes, haciendo disponibles conjuntos de datos diversos para el análisis.

3.-La enfermedad de Parkinson afecta a millones, costando miles de millones anualmente, y el tratamiento se centra en la gestión de síntomas a medida que la enfermedad progresa.

4.-Medir la severidad del Parkinson es un desafío, ya que depende de evaluaciones subjetivas por parte de neurólogos durante visitas clínicas poco frecuentes.

5.-El equipo desarrolló una aplicación Android que utiliza sensores del teléfono para recopilar datos de pruebas activas sobre los síntomas del Parkinson de los pacientes en casa.

6.-Obtener calificaciones clínicas para mapear los datos de sensores a la severidad es costoso, por lo que utilizaron aprendizaje semi-supervisado con pares de comparación en su lugar.

7.-Se optimizó una función objetiva para aprender una puntuación de severidad a partir de los datos de sensores que sea concordante con las clasificaciones de severidad de los clínicos.

8.-La puntuación móvil de la enfermedad de Parkinson (mPDS) mostró una alta correlación con los instrumentos clínicos estándar en un estudio prospectivo.

9.-mPDS permite la medición frecuente y objetiva de los síntomas y la progresión del Parkinson en casa, lo cual no era posible anteriormente.

10.-Este enfoque de aumentar la capacidad clínica con aprendizaje de máquina en datos de dispositivos es aplicable a muchas otras enfermedades.

11.-Lograr un impacto clínico requirió una comprensión profunda del dominio médico para innovar en la formulación del problema y la recopilación de datos.

12.-El uso de aprendizaje semi-supervisado y la explotación de datos de sensores permitieron aprender puntuaciones clínicamente significativas con supervisión limitada.

13.-El diagnóstico temprano busca reconocer enfermedades antes que las pautas diagnósticas actuales basadas en signos y síntomas visibles.

14.-El reconocimiento temprano podría permitir la prevención en algunos casos, y el aprendizaje de máquina en datos de pacientes podría hacer esto posible.

15.-La predicción del riesgo de mortalidad en hospitales intenta usar mediciones iniciales de pacientes para pronosticar el riesgo de muerte durante la admisión.

16.-Entrenar modelos de ML en diferentes conjuntos de datos hospitalarios puede producir puntuaciones de riesgo conflictivas para el mismo paciente.

17.-Este problema surge porque el riesgo se ve afectado por intervenciones desconocidas que ocurren entre el momento de la predicción y el resultado.

18.-ML promedia sobre estos factores no vistos, causando que las predicciones del modelo sean sensibles a los patrones de intervención específicos del conjunto de datos.

19.-Se propone el razonamiento contrafactual, modelando explícitamente el riesgo bajo regímenes de intervención específicos para controlar estos factores ocultos.

20.-Se desarrolla un modelo de proceso Gaussiano contrafactual para estimar trayectorias de riesgo bajo diferentes regímenes de intervención a partir de series temporales.

21.-En datos simulados, el modelo contrafactual produce estimaciones de riesgo estables a través de regímenes de intervención mientras que las estimaciones de un modelo estándar varían.

22.-Controlar el régimen de intervención al pronosticar a partir de datos temporales es importante para aplicaciones de soporte de decisiones más allá de la atención médica.

23.-Desarrollar sistemas de ML robustos para la atención médica requiere un proceso iterativo de construcción de modelos, diagnósticos, reformulación de problemas y evaluación de la aplicabilidad.

24.-Este enfoque se ha aplicado a la predicción temprana de la sepsis, una condición potencialmente mortal, para permitir un tratamiento temprano.

25.-Otros desafíos incluyen enmarcar los problemas correctos, la robustez ante escenarios inesperados, datos de referencia costosos para la validación, estimaciones de incertidumbre calibradas y la colaboración humano-máquina.

26.-La atención médica ofrece muchas áreas de aplicación impactantes para el aprendizaje de máquina a medida que se disponen de nuevas fuentes de datos.

27.-El análisis de supervivencia que tiene en cuenta la censura es una formulación más natural que la clasificación binaria para el problema de pronóstico de mortalidad.

28.-Agregar restricciones en el modelo de Parkinson para reforzar la progresión esperada a lo largo de las etapas de la enfermedad es posible, pero la sensibilidad es una preocupación.

29.-El aprendizaje profundo para la atención médica plantea preocupaciones sobre la generalización a pacientes fuera de distribución y la adecuación de los métodos de cuantificación de incertidumbre.

30.-En la experiencia del orador, la formulación del problema, el ajuste de sesgo, la estimación de incertidumbre y la supervisión débil han sido una prioridad más alta que los modelos complejos.

Bóveda de Conocimiento construida porDavid Vivancos 2024