Temporal Data Requirement for Predicting Unplanned Hospital Readmissions

A continuación se presenta un resumen técnico detallado del artículo "Requisito de datos temporales para predecir reingresos hospitalarios no planificados".

1. Planteamiento del Problema

La proliferación de las Historias Clínicas Electrónicas (HCE) ha permitido el desarrollo de modelos predictivos basados en datos para resultados sanitarios, como los reingresos hospitalarios no planificados a 30 días. Sin embargo, existe una brecha crítica en la determinación de la ventana de observación temporal óptima para los datos históricos.

• La Suposición: Existe una creencia predominante en el aprendizaje automático de que "más datos son mejores", lo que lleva a los investigadores a utilizar ventanas de observación largas (a menudo abarcando años) para entrenar modelos.
• El Desafío: No está claro si extender la ventana histórica indefinidamente mejora la precisión predictiva, o si existe un punto de rendimientos decrecientes. Además, se desconoce si la longitud óptima de la ventana difiere entre datos estructurados (tabulares, codificados) y datos no estructurados (notas clínicas).
• El Objetivo: Identificar la longitud específica de la ventana temporal que maximiza el rendimiento predictivo para reingresos a 30 días tras artroplastias de cadera y rodilla, comparando fuentes de datos estructurados frente a no estructurados.

2. Metodología

Conjunto de Datos

• Fuente: Datos retrospectivos de Partners Healthcare (sistema HCE Epic).
• Cohorte: 7.174 pacientes adultos (de 18 a 90 años) sometidos a artroplastia de cadera o rodilla entre 2006 y 2016.
• Volumen de Datos: Más de 4 millones de registros de atención y 80.000 notas clínicas.
• Variable Objetivo: Reingreso no planificado dentro de los 30 días posteriores a la cirugía (Clase Positiva = 1, Clase Negativa = 0).
• Desequilibrio de Clases: El conjunto de datos está altamente desequilibrado (aprox. 9,5% para reingresos de cadera, 10,5% para rodilla). Se emplearon estrategias como ponderación de clases, submuestreo y sobremuestreo.
• División: Los datos se dividieron a nivel de paciente: 70% Entrenamiento, 15% Validación, 15% Prueba.

Ventanas de Observación

El estudio evaluó ventanas de observación que oscilaban entre 0 meses (solo día de la cirugía) y 36 meses (3 años) previos a la cirugía.

Ingeniería de Características y Codificación

El estudio utilizó tres modalidades de datos:

1. Datos Estructurados: Características categóricas y numéricas en 8 dominios (Demografía, Análisis, Diagnóstico, Medicación, Historia de Salud, Procedimientos, Signos Vitales, Información de Admisión).
   • Codificación: Codificación one-hot, representación textual de variables categóricas, y manejo de datos sensibles al tiempo frente a no sensibles al tiempo.
2. Datos No Estructurados (Notas Clínicas): Notas en texto libre de médicos, enfermeras y scripts.
   • Preprocesamiento: Tokenización, minúsculas y reducción a raíz (stemming).
   • Codificadores No Neuronales: Bolsa de palabras (Binaria, Recuento), TF-IDF y Asignación Dirichlet Latente (LDA).
   • Codificadores Neuronales:
     • Promedio: Proyección lineal + ReLU.
     • 1D-CNN: Capas convolucionales con tamaños de kernel (3, 5, 7, 9).
     • BiLSTM: Redes de Memoria a Largo y Corto Plazo Bidireccionales.
     • Mecanismos de Atención: Para ponderar estados ocultos según su relevancia.
     • Modelos Jerárquicos: BiLSTM a nivel de nota, luego BiLSTM para agregación a nivel de paciente.
     • BERT: Clinical BERT (preentrenado en MIMIC-III) para representaciones de palabras contextualizadas.

Arquitectura del Modelo

• Modelos Independientes: Modelos separados entrenados para cirugías de cadera y rodilla.
• Aprendizaje Multitarea: Modelos conjuntos que predicen reingresos para ambos tipos de cirugía, compartiendo parámetros del codificador para "prestar fuerza" entre tareas.
• Combinaciones: Los modelos se entrenaron con (a) solo Notas Clínicas, (b) solo Datos Estructurados, y (c) una combinación de ambos.
• Métrica de Evaluación: Área bajo la curva característica operativa del receptor (AUROC).

3. Contribuciones Clave

1. Optimización de la Ventana Temporal: El estudio demuestra empíricamente que la ventana de datos históricos óptima no es uniforme entre los tipos de datos.
2. Divergencia entre No Estructurados y Estructurados: Revela una diferencia fundamental en cómo los datos temporales impactan el rendimiento del modelo:
   • Datos Estructurados: El rendimiento mejora a medida que se extiende la ventana, estabilizándose a los 12 meses.
   • Datos No Estructurados (Notas Clínicas): El rendimiento alcanza su punto máximo en una ventana más corta (3–6 meses) y no necesariamente mejora (y puede degradarse) con datos más antiguos.
3. Agnosticismo del Modelo: Estos patrones temporales se mantienen independientemente de la complejidad del modelo, aplicándose tanto a codificadores neuronales simples (Regresión Logística + BoW) como a arquitecturas neuronales complejas (BERT, BiLSTM).
4. Eficiencia de Datos: Los hallazgos sugieren que, para datos no estructurados, almacenar y procesar 3 años de historia es ineficiente; una ventana de 3–6 meses produce resultados superiores, reduciendo costos computacionales y de almacenamiento.

4. Resultados Clave

• Tendencias de Rendimiento:

  • Solo Notas Clínicas: La AUROC más alta se logró utilizando datos de 3 a 6 meses previos a la cirugía. El rendimiento disminuyó al usar datos más antiguos de 6 meses o datos del solo día de la cirugía.
  • Solo Datos Estructurados: La AUROC aumentó constantemente a medida que la ventana crecía de 0 a 12 meses, luego se estabilizó. No se observó ninguna ganancia significativa más allá de los 12 meses.
  • Datos Combinados: El modelo combinado siguió la tendencia de las notas clínicas, siendo la ventana óptima de 3–6 meses. Esto indica que el alto poder predictivo de las notas clínicas recientes domina la contribución de los datos estructurados más antiguos.

• Hallazgos Cuantitativos (AUROC):

  • Para la Cirugía de Rodilla utilizando Notas Clínicas + Datos Estructurados, el modelo que usó 3 meses de datos históricos logró una AUROC de 0,930 (Multitarea), superando significativamente a los modelos que usaban solo datos del día de la cirugía (0,881) o 36 meses de datos.
  • La Cirugía de Cadera mostró tendencias similares, con la ventana de 3 meses arrojando los mejores resultados (ej. 0,888 AUROC para datos combinados).

• Aprendizaje Multitarea: Aunque el aprendizaje multitarea mostró ligeras mejoras de rendimiento en algunos escenarios combinados, los requisitos de datos temporales se mantuvieron consistentes con los modelos independientes. La longitud óptima de la ventana fue independiente de la estrategia de aprendizaje (independiente vs. multitarea).

5. Significado e Implicaciones

• Desafío a "Más Datos es Mejor": El estudio refuta la heurística general de que las ventanas históricas más largas siempre mejoran el rendimiento de ML en salud. Para notas clínicas no estructuradas, la recencia es más valiosa que el volumen.
• Eficiencia Operativa: Los hospitales e ingenieros de datos pueden optimizar los sistemas de almacenamiento y recuperación de HCE centrándose en la ventana de 3–6 meses para datos no estructurados, en lugar de ingerir años de notas históricas, reduciendo así la latencia y los costos de almacenamiento.
• Relevancia Clínica: Los hallazgos sugieren que la narrativa clínica que rodea el estado preoperatorio reciente del paciente (3–6 meses) es el predictor más fuerte de complicaciones postquirúrgicas inmediatas, mientras que la historia estructurada más antigua (ej. demografía, diagnósticos pasados de hace más de 1 año) ofrece rendimientos decrecientes.
• Futuras Direcciones: Los autores sugieren validar estos hallazgos en otros tipos de cirugía (ej. cardiovascular) y en diferentes sistemas de salud para garantizar la generalizabilidad más allá del sistema HCE Epic utilizado en este estudio.

Conclusión

Este artículo proporciona una guía crítica para la construcción de modelos predictivos en el ámbito de la salud. Establece que los requisitos óptimos de datos temporales son específicos del tipo de datos: los datos estructurados se benefician de una historia más larga (hasta 12 meses), mientras que las notas clínicas no estructuradas son más predictivas dentro de una ventana corta y reciente (3–6 meses). Ignorar estos matices puede conducir a un rendimiento subóptimo del modelo y a una utilización ineficiente de recursos.