Explicabilidad de modelos predictivos para detección temprana de deterioro cognitivo con XAI
Este trabajo se centra en la aplicación de técnicas de Inteligencia Artificial Explicable (XAI, por sus siglas en inglés) para mejorar la comprensión, confianza y utilidad de los modelos predictivos empleados en la detección temprana del deterioro cognitivo leve (DCL). La explicabilidad es un compon...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Institución: | Universidad Nacional de Educación a Distancia |
| Repositorio: | e-spacio. Repositorio Institucional de la UNED |
| Idioma: | español |
| OAI Identifier: | oai:e-spacio.uned.es:20.500.14468/29303 |
| Acceso en línea: | https://hdl.handle.net/20.500.14468/29303 |
| Access Level: | acceso abierto |
| Palabra clave: | 1203.04 Inteligencia artificial Inteligencia Artificial Explicable Deterioro cognitivo XAI SHAP LIME explicabilidad aprendizaje automático diagnóstico clínico Explainable Artificial Intelligence cognitive impairment explainability machine learning clinical diagnosis |
| Sumario: | Este trabajo se centra en la aplicación de técnicas de Inteligencia Artificial Explicable (XAI, por sus siglas en inglés) para mejorar la comprensión, confianza y utilidad de los modelos predictivos empleados en la detección temprana del deterioro cognitivo leve (DCL). La explicabilidad es un componente clave para la adopción de sistemas de inteligencia artificial en contextos sensibles como el sanitario, donde no basta con obtener predicciones precisas, sino que resulta fundamental entender cómo y por qué se generan dichas predicciones. A partir de datos clínicos y neuropsicológicos recogidos en el marco del proyecto IDENTIA, se entrenaron modelos de aprendizaje automático y se analizaron sus decisiones mediante diferentes enfoques de XAI, incluyendo métodos de importancia de variables como SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations) y análisis contrafactual. Estas técnicas han permitido generar explicaciones tanto a nivel global (identificación de variables relevantes en el conjunto de datos) como a nivel local (justificación de predicciones individuales). Además, se ha desarrollado una aplicación web interactiva que integra todas las técnicas XAI implementadas, permitiendo explorar las salidas del modelo de forma visual, ajustable y comprensible, favoreciendo la transparencia y la toma de decisiones. Los resultados muestran que las variables más influyentes para el modelo coinciden con indicadores clínicos validados, como el control atencional y la memoria visual, lo que refuerza la validez del enfoque. Las explicaciones generadas se mostraron coherentes, estables y potencialmente útiles para apoyar el diagnóstico clínico. En conjunto, este estudio demuestra que la integración de técnicas XAI en entornos sanitarios puede aumentar significativamente la transparencia, la trazabilidad y la confianza en los sistemas de IA, facilitando su adopción responsable en la práctica médica y promoviendo una toma de decisiones informada y ética. |
|---|