0247 Impacto de la Privación Socioeconómica del Área y Variables Demográficas en Modelos de Aprendizaje Automático para el Tratamiento de la SAOS

Resumen Introducción Asegurar un rendimiento equitativo de los modelos de aprendizaje automático (ML) relacionados con el sueño es vital para la salud pública y la equidad en salud. Esta investigación buscó determinar el impacto de factores de disparidades sociodemográficas y de salud en el rendimiento y las características de los modelos de ML diseñados para predecir el inicio del tratamiento de la SAOS. Métodos Nuestra fuente de datos fue la Base de Datos de Reclamaciones de Todos los Pagadores (APCD) para la Organización de Información de Salud de Wisconsin (WHIO). Los criterios de inclusión incluían cobertura continua de seguro durante 12 meses antes y 30 meses después del diagnóstico de SAOS (definido por el código OCD G47.33), y haber realizado pruebas diagnósticas para la SAOS (definido por códigos CPT). El tratamiento de la SAOS se definió con base en los cargos por equipos médicos duraderos para máquinas y suministros de PAP. Las variables sociodemográficas se extrajeron del APCD e incluyeron raza, género, edad y privación socioeconómica del área (Índice de Privación del Área; ADI). El ADI es un marcador validado de riesgo de salud basado en 17 factores de disparidades de salud que clasifican desventajas relativas entre comunidades. Se entrenaron modelos de ML de Bosque Aleatorio para predecir el inicio del tratamiento de la SAOS utilizando variables sociodemográficas y un historial de medicamentos que incluye 39,712 medicamentos únicos codificados en 94 categorías de medicamentos. Resultados De N=6,026,463 sujetos en el ACPD, n=154,821 se sometieron a pruebas diagnósticas para la SAOS, y n=43,601 fueron diagnosticados con SAOS. Se aplicó la validación cruzada 10 veces para estimar la sensibilidad-especificidad de los modelos de ML para predecir el inicio del tratamiento. Se utilizaron análisis del área bajo la curva de la curva característica operativa del receptor (ROC-AUC) para comparar las diferencias relativas en el poder predictivo de cada variable. En el análisis ROC-AUC de variables individuales, se observó el poder para predecir el tratamiento de la SAOS en orden relativo por edad (0.568), raza (0.547), ADI a nivel nacional (0.545), ADI a nivel estatal (0.544), género (0.524) e historial de medicamentos (0.516). En el análisis ROC-AUC de variables combinadas, se observó el mejor rendimiento del modelo de ML en la combinación de solo tres variables (edad-género-raza, 0.600), mientras que la combinación de todas las variables mostró un valor ROC-AUC de (0.594), y la diferencia de rendimiento resultante no fue estadísticamente significativa según la comparación de las medidas ROC-AUC. Conclusión Los factores demográficos y de disparidad en salud pueden desempeñar un papel importante en el desarrollo futuro de modelos predictivos de IA/ML. Los datos de salud del sueño de la población representan un recurso importante para identificar y cerrar brechas en la atención, reducir las disparidades en la salud del sueño y lograr la equidad en salud. Apoyo (si lo hay)