🤖 machine learning

SurvBench: A Standardised Preprocessing Pipeline for Multi-Modal Electronic Health Record Survival Analysis

SurvBench es una pipeline de preprocesamiento estandarizada y de código abierto que convierte datos crudos de registros de salud electrónicos de PhysioNet en tensores listos para modelos en cuatro bases de datos de cuidados críticos y cuatro modalidades, abordando la inconsistencia en el procesamiento de datos aguas arriba que actualmente obstaculiza la comparación justa de modelos de supervivencia de aprendizaje profundo.

Autores originales: Munib Mesinovic, Tingting Zhu

Publicado 2026-05-13

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Munib Mesinovic, Tingting Zhu

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando crear la receta definitiva para predecir cuánto tiempo permanecerá un paciente en el hospital o si podría fallecer. Tienes cuatro cocinas diferentes (cuatro bases de datos masivas de registros de pacientes: MIMIC-IV, eICU, HiRID y MC-MED). Cada cocina tiene su propia forma de almacenar ingredientes, sus propias tazas medidoras y sus propios mostradores desordenados.

En el pasado, cada chef (investigador) que quería probar su nueva receta (modelo de IA) tenía que limpiar su propia cocina primero. Un chef podría cortar las verduras (datos) en cuadrados diminutos, mientras que otro las deja enteras. Uno podría lavar la carne (imputar datos faltantes) con agua, otro con jabón. Como todos limpiaban su cocina de manera diferente, era imposible decir si una nueva receta era realmente mejor, o si simplemente funcionaba mejor porque ese chef tenía una cocina más limpia para empezar.

Presentamos SurvBench.

Piensa en SurvBench como una estación de preparación de cocina universal y automatizada. Es una herramienta gratuita y de código abierto que toma los ingredientes crudos y desordenados de esos cuatro hospitales diferentes y los convierte en paquetes perfectamente estandarizados y "listos para el modelo".

Así es como funciona, desglosado en partes simples:

1. El Traductor Universal (Preprocesamiento)

El artículo argumenta que el problema más grande en este campo no son los propios modelos de IA, sino la "brecha de preprocesamiento". SurvBench soluciona esto actuando como un traductor estricto.

Estandarización de Unidades: Si un hospital registra la temperatura en Fahrenheit y otro en Celsius, SurvBench las convierte todas a la misma escala antes de que nadie las toque.
Manejo de Datos Faltantes: A veces la frecuencia cardíaca de un paciente no se registró durante una hora. SurvBench no solo adivina; rellena el vacío usando una regla específica (observando el último valor conocido) y, crucialmente, adjunta una "máscara de ausencia". Esto es como una nota adhesiva en el ingrediente que dice: "Este valor fue rellenado por la máquina, no medido". Esto asegura que la IA conozca la diferencia entre un cero real y un cero estimado.
Ventanas de Tiempo: En lugar de observar un flujo caótico de datos, SurvBench corta la estancia del paciente en bloques de tiempo ordenados y de tamaño igual (como cortar una barra de pan), para que los datos de cada paciente tengan la misma forma.

2. Las Cuatro Cocinas (Las Bases de Datos)

SurvBench se conecta a cuatro bases de datos públicas importantes, que son como cuatro tipos diferentes de hospitales:

MIMIC-IV & eICU: Estas son enormes colecciones de registros de Unidades de Cuidados Intensivos (UCI). Rastrean a los pacientes desde el momento en que ingresan a la UCI hasta que salen o fallecen.
HiRID: Otra base de datos de UCI, pero de Suiza, con datos de muy alta resolución (mediciones tomadas cada pocos minutos).
MC-MED: Esta es una base de datos de Servicio de Urgencias (ED). En lugar de solo rastrear la muerte, rastrea a dónde va el paciente después: ¿va a casa, va a una cama de hospital regular o es enviado a la UCI? Este es un escenario de "riesgos competitivos", como una carrera donde hay múltiples líneas de meta posibles.

3. Los Ingredientes (Modalidades)

SurvBench no solo mira una cosa; combina cuatro tipos diferentes de "ingredientes" en un solo tensor (un bloque de datos multidimensional):

Estáticos: Cosas que no cambian, como la edad, el sexo y el peso.
Series Temporales: El latido cardíaco, la presión arterial y los resultados de laboratorio que cambian con el tiempo.
Códigos CIE: Los códigos de diagnóstico médico (como el historial de enfermedades de un paciente).
Informes de Radiología: El texto de los informes de rayos X y tomografías computarizadas, que la herramienta convierte en números matemáticos utilizando modelos de lenguaje avanzados.

4. La Prueba de Sabor (Los Resultados)

Para probar que su estación de preparación de cocina funciona, los autores no solo construyeron la estación; cocinaron cinco "recetas" diferentes (modelos de IA) utilizando los ingredientes estandarizados para ver cuál sabía mejor.

Probaron métodos estadísticos clásicos y modelos modernos de aprendizaje profundo (como los Transformadores, que generalmente se usan para el lenguaje pero ahora se están utilizando para datos de series temporales).
El Ganador: En los datos de la UCI, los modelos que podían observar el historial de los signos vitales del paciente (series temporales) funcionaron mucho mejor que aquellos que solo miraban hechos estáticos como la edad.
La Estrella Multimodal: Un nuevo modelo que construyeron llamado TransformerSurv (que utiliza los cuatro tipos de ingredientes) funcionó muy bien, especialmente en los datos del Servicio de Urgencias, donde pudo combinar los resultados de laboratorio con el texto de los informes de radiología.

La Gran Conclusión

El artículo afirma que SurvBench es la primera herramienta que estandariza el "trabajo de preparación" para el análisis de supervivencia en estas bases de datos importantes.

Antes de esto, comparar dos modelos de IA era como comparar dos corredores que empezaban en diferentes líneas de salida. Ahora, con SurvBench, todos comienzan exactamente en la misma línea, con los mismos zapatos y la misma pista. Esto permite a los investigadores finalmente decir: "El Modelo A es realmente mejor que el Modelo B", en lugar de: "El Modelo A simplemente tuvo un mejor proceso de limpieza de datos".

Los autores enfatizan que esta herramienta no es una cura milagrosa ni un producto terminado listo para que los hospitales lo usen mañana. Es una base. Proporciona un campo de juego justo para que los futuros científicos puedan construir modelos de IA mejores, más seguros y más confiables sin quedar atrapados en los detalles desordenados de limpiar los datos.

En resumen: SurvBench es el gran igualador. Toma los datos desordenados e inconsistentes de diferentes hospitales, los limpia con las mismas reglas exactas y se los entrega a los investigadores de IA para que finalmente puedan comparar sus ideas de manera justa.

Resumen Técnico: SurvBench

Enunciado del Problema

Los modelos de supervivencia de aprendizaje profundo para datos de Registros Electrónicos de Salud (EHR) enfrentan una barrera significativa para la reproducibilidad y la comparación justa: la "brecha de preprocesamiento". Si bien las arquitecturas de modelado aguas abajo (por ejemplo, DeepSurv, Dynamic-DeepHit) son cada vez más sofisticadas, los pasos aguas arriba necesarios para convertir exportaciones crudas de EHR en entradas listas para el modelo rara vez se comparten, documentan o estandarizan. Las decisiones críticas sobre la definición de cohortes, la discretización del tiempo, el manejo de valores faltantes, el filtrado de características y las reglas de censura varían entre estudios. En consecuencia, las diferencias de rendimiento reportadas (por ejemplo, en índices de concordancia) a menudo reflejan estas elecciones de preprocesamiento en lugar de contribuciones genuinas de modelado. Además, los benchmarks existentes como MIMIC-III han sido superados por MIMIC-IV y carecen de soporte para tareas modernas de análisis de supervivencia, incluidos riesgos competitivos y entradas multimodales.

Metodología

Los autores presentan SurvBench, una pipeline de preprocesamiento de código abierto y configurable diseñada para estandarizar la creación de cohortes de análisis de supervivencia a partir de exportaciones crudas de PhysioNet.

Arquitectura Central de la Pipeline

SurvBench procesa datos de cuatro bases de datos de cuidados críticos: MIMIC-IV, eICU, MC-MED y HiRID. Soporta cuatro modalidades de entrada:

Características estáticas: Datos demográficos (edad, sexo, etc.).
Series temporales: Signos vitales y valores de laboratorio.
Códigos ICD: Historias de diagnóstico (codificados como multi-hot).
Radiología: Incrustaciones de informes de texto libre (mediante modelos de HuggingFace como Clinical-Longformer).

La pipeline opera a través de las siguientes etapas:

Definición de Cohorte: Configurable mediante YAML. Hace cumplir la división a nivel de paciente para prevenir fugas de datos (asegurando que todas las estancias de un solo paciente permanezcan en un solo pliegue). Aplica filtros específicos por conjunto de datos (por ejemplo, estancia mínima de 24 horas para conjuntos de datos de UCI, filtros de edad).
Procesamiento de Etiquetas de Supervivencia: Soporta tanto endpoints de riesgo único (por ejemplo, mortalidad en UCI) como de riesgos competitivos (por ejemplo, disposición de la UDE: admisión, observación, admisión a UCI). La censura se maneja mediante truncamiento administrativo en un horizonte configurable (por ejemplo, 240 horas para UCI, 24 horas para UDE).
Procesamiento de Series Temporales: Las mediciones muestreadas de forma irregular se agregan en ventanas temporales de ancho fijo (por ejemplo, intervalos de 4 horas) utilizando agregación de medias. Las características se filtran basándose en un umbral de valores faltantes (1% predeterminado de las ventanas de entrenamiento).
Manejo de Valores Faltantes: Se emplea una estrategia de dos etapas segura contra fugas de datos:
1. Relleno hacia adelante: Relleno hacia adelante dentro del paciente con resolución horaria.
2. Imputación por Media: Los valores faltantes restantes se rellenan con la media por característica calculada solo en el pliegue de entrenamiento.
3. Enmascaramiento: Se genera una máscara binaria junto con cada tensor para distinguir los valores observados de los imputados.
Estandarización: Se aplica normalización Z-score utilizando StandardScaler ajustado exclusivamente en el pliegue de entrenamiento. Los bloques de características dinámicas y estáticas se escalan de forma independiente para evitar que las características estáticas dominen las estadísticas de escalado de los bloques dinámicos.
Integración Multimodal: Las características estáticas se transmiten (broadcast) a través de todas las ventanas de tiempo. Los códigos ICD y las incrustaciones de radiología se concatenan con el tensor de series temporales.

Líneas Base de Referencia

Para validar la pipeline y proporcionar un benchmark, los autores entrenaron cinco modelos en las cohortes generadas:

Riesgos Proporcionales de Cox: Ajustado sobre características estáticas promediadas.
DeepHit: Una red de riesgos competitivos de tiempo discreto que utiliza características estáticas.
Dynamic-DeepHit: Extiende DeepHit con una LSTM y atención temporal sobre datos de series temporales.
DySurv: Un autoencoder variacional LSTM con cabezas de hazard logístico específicas de causa.
TransformerSurv: Una nueva arquitectura que utiliza un codificador Transformer pre-LN. Se probó en dos configuraciones: (a) series temporales + estáticas, y (b) multimodal completo (incluyendo ICD y radiología).

Resultados Clave

La pipeline generó cohortes que van desde ~15,000 (HiRID) hasta ~128,000 (eICU) estancias en UCI. Los hallazgos clave de la evaluación de las líneas base de referencia incluyen:

Importancia de los Datos Temporales: Los modelos solo estáticos (Cox, DeepHit) tuvieron un rendimiento significativamente inferior en comparación con los modelos que utilizan datos de series temporales. En tareas de UCI de riesgo único, los modelos temporales alcanzaron puntuaciones de concordancia ( $C_{td}$ ) de 0.82–0.86, mientras que los modelos estáticos obtuvieron 0.61–0.64.
Beneficios Multimodales: En el conjunto de datos MC-MED (que incluye ICD y radiología), el modelo multimodal TransformerSurv alcanzó la mayor concordancia ( $C_{td} = 0.774$ ) y mejoró las métricas de calibración (Puntuación Brier Integrada y Log-Verosimilitud Negativa Binomial) en comparación con la variante solo de series temporales.
Transferencia entre Conjuntos de Datos: En una tarea de validación externa entrenando en eICU y probando en MIMIC-IV, el modelo Transformer alcanzó la mayor discriminación fuera de distribución ( $C_{td} = 0.812 \pm 0.007$ ), superando a Dynamic-DeepHit y DySurv.
Calibración vs. Discriminación: El estudio destacó una compensación donde los modelos podían clasificar bien a los pacientes (alta concordancia) mientras producían probabilidades mal calibradas. Por ejemplo, en MC-MED, los riesgos proporcionales de Cox tuvieron la mejor calibración (IBS más bajo) pero la peor concordancia.

Significado y Afirmaciones

Los autores posicionan a SurvBench no como un proveedor de un modelo "estado del arte", sino como una infraestructura estandarizada para permitir una comparación justa.

Reproducibilidad: Al proporcionar una pipeline única, controlada por YAML y de extremo a extremo, SurvBench elimina la "brecha de preprocesamiento" donde las variaciones de rendimiento a menudo son impulsadas por elecciones de manejo de datos no documentadas en lugar de la arquitectura del modelo.
Soporte Multimodal: Es la primera pipeline pública que soporta la integración de modalidades de series temporales, estáticas, ICD y radiología para análisis de supervivencia en múltiples bases de datos EHR principales (MIMIC-IV, eICU, MC-MED, HiRID).
Seguridad contra Fugas de Datos: La pipeline hace cumplir estrictamente que la imputación, la estandarización y el filtrado de características se ajusten solo en el pliegue de entrenamiento, abordando una fuente común de fugas de datos en el análisis de supervivencia.
Fundamento para Trabajos Futuros: Los autores declaran que las líneas base de referencia y las cohortes procesadas proporcionadas sirven como un "sustrato" contra el cual se pueden medir los futuros métodos de aprendizaje profundo bajo condiciones de preprocesamiento coincidentes.

El artículo concluye que, si bien el benchmark hereda limitaciones demográficas de sus datos de origen (principalmente poblaciones de EE. UU. y Suiza), proporciona una base técnica rigurosa para la comparación de modelos, permitiendo a los investigadores centrarse en la innovación algorítmica en lugar de la ingeniería de datos.