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...

Descripción completa

Detalles Bibliográficos
Autor: Clavero Sanz, Adrián
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
id ES_0aa991dbc34994d8a5a47fbcb460dcc4
oai_identifier_str oai:e-spacio.uned.es:20.500.14468/29303
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Explicabilidad de modelos predictivos para detección temprana de deterioro cognitivo con XAI
title Explicabilidad de modelos predictivos para detección temprana de deterioro cognitivo con XAI
spellingShingle Explicabilidad de modelos predictivos para detección temprana de deterioro cognitivo con XAI
Clavero Sanz, Adrián
1203.04 Inteligencia artificial
Inteligencia Artificial Explicable
Deterioro cognitivo
XAI
SHAP
LIME
explicabilidad
aprendizaje automático
diagnóstico clínico
Explainable Artificial Intelligence
cognitive impairment
XAI
SHAP
LIME
explainability
machine learning
clinical diagnosis
title_short Explicabilidad de modelos predictivos para detección temprana de deterioro cognitivo con XAI
title_full Explicabilidad de modelos predictivos para detección temprana de deterioro cognitivo con XAI
title_fullStr Explicabilidad de modelos predictivos para detección temprana de deterioro cognitivo con XAI
title_full_unstemmed Explicabilidad de modelos predictivos para detección temprana de deterioro cognitivo con XAI
title_sort Explicabilidad de modelos predictivos para detección temprana de deterioro cognitivo con XAI
dc.creator.none.fl_str_mv Clavero Sanz, Adrián
author Clavero Sanz, Adrián
author_facet Clavero Sanz, Adrián
author_role author
dc.contributor.none.fl_str_mv Díaz López, Estela
Rincón Zamorano, Mariano
e-Spacio UNED
dc.subject.none.fl_str_mv 1203.04 Inteligencia artificial
Inteligencia Artificial Explicable
Deterioro cognitivo
XAI
SHAP
LIME
explicabilidad
aprendizaje automático
diagnóstico clínico
Explainable Artificial Intelligence
cognitive impairment
XAI
SHAP
LIME
explainability
machine learning
clinical diagnosis
topic 1203.04 Inteligencia artificial
Inteligencia Artificial Explicable
Deterioro cognitivo
XAI
SHAP
LIME
explicabilidad
aprendizaje automático
diagnóstico clínico
Explainable Artificial Intelligence
cognitive impairment
XAI
SHAP
LIME
explainability
machine learning
clinical diagnosis
description 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.
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-07-08
2025
2025-06-07
2025
2025-06-07
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14468/29303
url https://hdl.handle.net/20.500.14468/29303
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática
publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática
dc.source.none.fl_str_mv reponame:e-spacio. Repositorio Institucional de la UNED
instname:Universidad Nacional de Educación a Distancia
instname_str Universidad Nacional de Educación a Distancia
reponame_str e-spacio. Repositorio Institucional de la UNED
collection e-spacio. Repositorio Institucional de la UNED
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869403176698904576
spelling Explicabilidad de modelos predictivos para detección temprana de deterioro cognitivo con XAIClavero Sanz, Adrián1203.04 Inteligencia artificialInteligencia Artificial ExplicableDeterioro cognitivoXAISHAPLIMEexplicabilidadaprendizaje automáticodiagnóstico clínicoExplainable Artificial Intelligencecognitive impairmentXAISHAPLIMEexplainabilitymachine learningclinical diagnosisEste 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.This work focuses on the application of Explainable Artificial Intelligence (XAI) techniques to improve the understanding, trust, and utility of predictive models used for the early detection of mild cognitive impairment (MCI). Explainability is a key component for the adoption of artificial-intelligence systems in sensitive contexts such as healthcare, where precise predictions alone are not sufficient; it is essential to understand how and why those predictions are generated. Based on clinical and neuropsychological data collected within the IDENTIA project, machine-learning models were trained and their decisions analysed using various XAI approaches, including feature-importance methods such as SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations), and counterfactual analysis. These techniques made it possible to generate explanations at both a global level (identifying the most relevant variables in the dataset) and a local level (justifying individual predictions). In addition, an interactive web application was developed that integrates all the implemented XAI techniques, allowing users to explore the model outputs in a visual, adjustable, and comprehensible way, thus fostering transparency and decision-making. The results show that the most influential variables for the model coincide with validated clinical indicators, such as attentional control and visual memory, which reinforces the validity of the approach. The generated explanations proved to be coherent, stable, and potentially useful to support clinical diagnosis. Taken together, this study demonstrates that integrating XAI techniques into healthcare environments can significantly increase transparency, traceability, and trust in AI systems, thereby facilitating their responsible adoption in medical practice and promoting informed and ethical decision-making.Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería InformáticaDíaz López, EstelaRincón Zamorano, Marianoe-Spacio UNED20252025-07-0820252025-06-0720252025-06-07master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/29303reponame:e-spacio. Repositorio Institucional de la UNEDinstname:Universidad Nacional de Educación a DistanciaEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.esoai:e-spacio.uned.es:20.500.14468/293032026-06-06T12:38:31Z
score 15,812429

Similares en LA Referencia