Resumen: con el creciente interés en la implementación de la inteligencia artificial en la medicina, introdujimos previamente HAIM (IA holística en medicina), un marco que fusiona los datos multimodales para resolver tareas clínicas posteriores. Sin embargo, Haim usa datos de manera agnóstica de tareas y carece de explicación. Para abordar estas limitaciones, presentamos XHAIM (explicable Haim), un nuevo marco que aprovecha la IA generativa para mejorar tanto la predicción como la explicabilidad a través de cuatro pasos estructurados: (1) identificar automáticamente los datos de los pacientes relevantes para tareas en modalidades, (2) Sumarios de pacientes de los pacientes con predicción para el paciente, (3). Evaluado en el conjunto de datos HAIM-Mimic-MM, Xhaim mejora el AUC promedio de 79.9% a 90.3% en tareas operativas y patología en el pecho. Es importante destacar que Xhaim transforma la IA de un predictor de caja negra en un sistema de apoyo a la decisión explicable, lo que permite a los médicos rastrear interactivamente las predicciones a los datos relevantes del paciente, uniendo los avances de IA con utilidad clínica.
Publicado Originalme en export.arxiv.org El 1 de julio de 2025.
Ver Fuente Original
