Inferencia Robusta y Cuantificación de Incertidumbre para la Toma de Decisiones Basada en Datos:

El seminario, aborda el uso de machine learning, optimización y estadística para la toma de decisiones basada en datos. Actualmente, presenta dos estudios recientes: uno sobre inferencia estadística en presencia de sesgos de selección y cambios en la distribución de datos, y otro sobre la cuantificación de incertidumbre en modelos de aprendizaje automático. En particular, se analiza cómo los modelos de machine learning pueden proporcionar información confiable para la toma de decisiones en contextos como salud pública y políticas públicas, donde los datos observados pueden estar sesgados. El primer estudio se enfoca en la inferencia estadística bajo sesgos de selección, ejemplificado con el análisis de hospitalizaciones por COVID-19 en distintos grupos étnicos en EE.UU. Se demuestra cómo los datos de hospitalización están condicionados por factores socioeconómicos y acceso a la salud, lo que introduce un sesgo en la estimación del riesgo de hospitalización para ciertos grupos. Para corregir este sesgo, se propone un modelo robusto basado en restricciones derivadas de datos poblacionales agregados (por ejemplo, censos y estudios serológicos), lo que permite obtener estimaciones más confiables. Los resultados muestran que, incluso corrigiendo por edad e ingresos, las minorías seguían teniendo un riesgo mayor de hospitalización, evidenciando una disparidad real en los resultados de salud. El segundo estudio explora técnicas de cuantificación de incertidumbre en modelos de predicción clínica, particularmente en el diagnóstico de enfermedades dermatológicas. Se analiza cómo los modelos de machine learning pueden no estar bien calibrados y producir resultados poco interpretables para los médicos. Se introduce un enfoque basado en Conformal Prediction, que en lugar de generar una única predicción, produce un conjunto de posibles diagnósticos con garantías estadísticas de cobertura. Además, se optimiza la selección de estos conjuntos para que sean clínicamente útiles, asegurando que agrupen enfermedades similares en lugar de listas heterogéneas de patologías. Este enfoque mejora la aplicabilidad de los modelos en la práctica médica, proporcionando interpretaciones más robustas y facilitando la toma de decisiones clínicas.