Executive Secretary
III International Symposium on “Generation and Transfer of Knowledge for Digital Transformation
SITIC 2025
Abstract
This work presents the development of an intelligent system for predicting postoperative complications and recovery times in orthopedic surgeries involving the tibia and hip. The system integrates structured clinical data processed through a multilayer neural network for risk classification and prediction of bone healing times. To ensure clinical interpretability, local explainability techniques are implemented that identify critical variables in each prediction. Additionally, a medical ontology structured as a knowledge graph is developed that contextualizes the predictions by linking patient information with established medical evidence. The integration between the predictive model and the knowledge graph is performed using graph-based reasoning techniques, while natural language models generate understandable explanations for specialists, combining predictive results with relevant clinical context. This hybrid architecture balances predictive accuracy and clinical utility, providing a transparent and contextually informed system that facilitates decision-making in real-life medical settings, potentially improving postoperative outcomes through early predictions and explanations grounded in specialized medical knowledge.
Resumen
Este trabajo presenta el desarrollo de un sistema inteligente para predecir complicaciones postoperatorias y tiempos de recuperación en cirugías ortopédicas de tibia y cadera. El sistema integra datos clínicos estructurados procesados mediante una red neuronal multicapa para clasificación de riesgos y predicción de tiempos de consolidación ósea. Para garantizar interpretabilidad clínica, se implementan técnicas de explicabilidad local que identifican variables críticas en cada predicción. Adicionalmente, se desarrolla una ontología médica estructurada como grafo de conocimiento que contextualiza las predicciones vinculando información del paciente con evidencia médica establecida. La integración entre el modelo predictivo y el grafo de conocimiento se realiza mediante técnicas de razonamiento basado en grafos, mientras que modelos de lenguaje natural generan explicaciones comprensibles para especialistas, combinando resultados predictivos con contexto clínico relevante. Esta arquitectura híbrida equilibra precisión predictiva y utilidad clínica, proporcionando un sistema transparente y contextualmente informado que facilita la toma de decisiones en entornos médicos reales, mejorando potencialmente los resultados postoperatorios mediante predicciones tempranas y explicaciones fundamentadas en conocimiento médico especializado.
About The Speaker
José Lázaro Díaz Estive
Discussion