Tesi doctoral de Guillem Hernández Guillamet: "Causal AI methods for healthcare decision-support making on longitudinal data". Direcció: Dra. Maria Beatriz Lopez Ibañez i Dr. Francesc Guillem Lòpez Seguí
Aquesta tesi investiga la integració del raonament causal en sistemes d’intel·ligència artificial (IA) per a l’anàlisi de dades sanitàries longitudinals, amb l’objectiu de millorar el rendiment predictiu, la interpretabilitat i el suport a la presa de decisions de planificació sanitària i atenció clínica. El treball s’estructura al voltant de tres nivells complementaris de presa de decisions —MACRO, MESO i MICRO— que reflecteixen, respectivament, la planificació a escala poblacional, el raonament diagnòstic i el pronòstic individual del pacient.
A nivell MACRO, la tesi aborda la predicció de la demanda a mitjà i llarg termini en entorns d’atenció primària. Es proposa un marc de predicció flexible en l’horitzó temporal que combina un procés de selecció de característiques causals sensible als retards temporals amb predictors d’aprenentatge profund (DL) d’última generació, incloent-hi arquitectures basades en transformers. Mitjançant el modelatge explícit dels retards temporals i de la rellevància causal, l’enfocament genera conjunts de predictors compactes i interpretables, tot mantenint una elevada precisió predictiva en múltiples horitzons de predicció. Aquests models s’avaluen sobre dades reals de demanda de Catalunya i mostren un rendiment competitiu o superior en comparació amb els enfocaments estadístics i de DL de referència, donant suport al seu potencial ús en l’assignació de recursos sanitaris i la planificació de demanda.
A nivell MESO, la tesi se centra en el descobriment causal escalable a partir de dades sanitàries retrospectives, per donar suport al raonament diagnòstic i a la generació d’hipòtesis. Es desenvolupa un marc d’inferència causal per identificar associacions clínicament rellevants entre variables diagnòstiques, ajustant-se per un ampli conjunt de possibles factors de confusió. El mètode permet la validació de relacions causals hipotetitzades i produeix grafs causals compactes i interpretables que fan emergir hipòtesis clíniques contrastables. Els mapes causals resultants proporcionen una capa intermèdia de raonament entre les tendències a escala poblacional i el risc individual, oferint coneixement que pot informar el desenvolupament de guies clíniques i futures investigacions.
A nivell MICRO, la tesi introdueix un marc de modelatge de supervivència informat causalment per a la predicció de riscos individualitzats. Es combina una Xarxa Bayesiana en Temps Continu (CTBN) amb el model de Riscos Proporcionals per estimar riscos de transició específics per pacient en temps continu. Aquest enfocament permet una interpretabilitat a escala de covariable i un perfilat temporal del risc, proporcionant un pronòstic personalitzat més enllà dels models de supervivència de referència. La incorporació d’estructures causals millora l’eficiència de l’aprenentatge de paràmetres i dona suport a l’estimació individualitzada del risc de deteriorament del pacient i progressió de la malaltia, amb potencials aplicacions tant en la presa de decisions clíniques com en la gestió de la salut poblacional.
Al llarg dels tres nivells, els mètodes proposats s’avaluen utilitzant dades longitudinals reals de Catalunya i mostren de manera consistent un rendiment competitiu, sovint superant enfocaments estadístics i de DL establerts. La tesi també examina de manera crítica limitacions clau, incloent-hi el possible impacte de factors de confusió no mesurats, l’ús de covariables agregades temporalment, i les incerteses relatives a la transferibilitat dels resultats fora del context sanitari català.
Finalment, la tesi descriu línies futures de recerca orientades a avançar la IA causal en salut. En conjunt, aquestes contribucions pretenen avançar el desenvolupament de sistemes d’IA per al suport a la presa de decisions en salut que siguin desplegables, fiables i orientats a la prevenció.
Lectura de la tesi: 06/03/2026 a la Sala d'Actes de l'Escola Politècnica Superior IV (informació extreta de l’Agenda activitats de la web Escola de Doctorat).