Este artículo se centra en el modelado eficaz de datos longitudinales multimodales, una tarea importante en diversas áreas de aplicación, especialmente en biomedicina. Tras señalar las limitaciones de estudios previos que no consideran suficientemente la multimodalidad, desarrollamos varias configuraciones de Integración Longitudinal por Conjuntos (LEI), un novedoso marco de aprendizaje longitudinal multimodal para la clasificación secuencial. Evaluamos el rendimiento de LEI y lo comparamos con los métodos existentes en el diagnóstico precoz de la demencia, demostrando que supera a los métodos existentes al mejorar la integración a lo largo del tiempo mediante el uso de predicciones de referencia intermedias generadas a partir de modalidades de datos individuales. Además, está diseñado para identificar características que son consistentemente importantes para la predicción del diagnóstico relacionado con la demencia. En conclusión, este estudio demuestra el potencial de LEI para la clasificación secuencial a partir de datos longitudinales multimodales.
