From Data Lifting to Continuous Risk Estimation: A Process-Aware Pipeline for Predictive Monitoring of Clinical Pathways

Resumen Técnico: Desde la Elevación de Datos hasta la Estimación Continua de Riesgos

Enunciado del Problema
Los sistemas de salud digital enfrentan desafíos significativos para transformar datos clínicos heterogéneos (por ejemplo, historias clínicas electrónicas, signos vitales, resultados de laboratorio) en indicadores fiables de apoyo a la decisión. La minería de procesos tradicional en el ámbito sanitario es predominantemente retrospectiva, analizando trayectorias de pacientes completadas para descubrir modelos o identificar cuellos de botella. Sin embargo, los escenarios sanitarios modernos requieren una monitorización continua y prospectiva, donde las decisiones deben respaldarse bajo información parcial y evolutiva. Los enfoques existentes de monitorización predictiva a menudo se centran en modelos predictivos aislados, descuidando la integración crítica de la transformación de datos, las representaciones conscientes del proceso y las tuberías experimentales reproducibles. Además, la "elevación de datos" necesaria para convertir registros clínicos fragmentados e inconsistentes temporalmente en registros de eventos utilizables se trata frecuentemente como un paso preliminar en lugar de un componente central de la arquitectura predictiva.

Metodología
Los autores proponen una tubería reproducible y consciente del proceso diseñada para transformar datos clínicos crudos en estimaciones continuas de riesgo para trayectorias de pacientes parcialmente observadas. El marco se organiza en cuatro etapas modulares:

1. Integración de Datos y Validación Temporal:

   • Fuentes de datos heterogéneas (registros de pacientes, datos de urgencias, diagnósticos, medicamentos, signos vitales, pruebas de laboratorio) se alinean a nivel de paciente utilizando identificadores únicos.
   • Un procedimiento determinista de "elevación de datos" limpia los datos (gestionando valores faltantes, estandarizando cadenas vacías/cero) y realiza una reconstrucción temporal.
   • Transformaciones basadas en reglas y una tabla de inferencia (agregando marcas de tiempo candidatas de múltiples fuentes) resuelven inconsistencias, como marcas de tiempo de triaje anteriores a los tiempos de admisión, asegurando una secuencia de eventos temporalmente consistente.

2. Construcción y Enriquecimiento del Registro de Eventos:

   • Los datos validados se transforman en un registro de eventos estándar (formato XES) utilizando recolectores de eventos modulares.
   • Las actividades clínicas se mapean a eventos con atributos específicos (ID de caso, nombre de actividad, marca de tiempo y atributos específicos del contexto como signos vitales o códigos de diagnóstico).
   • Los atributos a nivel de traza (por ejemplo, datos demográficos) se propagan a todos los eventos dentro de un caso.

3. Representación de Procesos Basada en Prefijos y Extracción de Características:

   • Para habilitar la monitorización predictiva, las trazas completas se descomponen en prefijos (secuencias parciales de eventos).
   • Un módulo de ingeniería de características extrae vectores a nivel de prefijo, que incluyen:
     • Características temporales: Tiempo transcurrido, tiempo desde la admisión, intervalos entre eventos.
     • Características de actividad: Conteos, frecuencias y la última actividad observada.
     • Características de transición: Patrones de actividades consecutivas.
     • Características clínicas: Estadísticas agregadas (mínimo, máximo, promedio, último) de señales que varían en el tiempo.
     • Atributos de caso: Información demográfica estática.

4. Monitorización Predictiva:

   • El marco emplea modelos estándar de aprendizaje automático (Regresión Logística y Bosque Aleatorio) entrenados sobre vectores de características a nivel de prefijo.
   • El objetivo de la predicción (ingreso a UCI) se define a nivel de caso y se propaga a todos los prefijos correspondientes, permitiendo el aprendizaje supervisado sobre trayectorias parcialmente observadas.
   • El sistema simula un escenario de monitorización en línea donde las estimaciones de riesgo se actualizan incrementalmente a medida que llegan nuevos eventos.

Estudio de Caso y Configuración Experimental
La tubería se evaluó utilizando el conjunto de datos Datos COVID para Aprendizaje Compartido (CDSL), que comprende 4.479 casos de pacientes y 46.804 prefijos.

• Tarea: Predecir la probabilidad de ingreso a UCI basándose en trayectorias de pacientes evolutivas.
• División: Se utilizó una división a nivel de caso para evitar la fuga de información, reservando 896 pacientes (y sus prefijos derivados) para el conjunto de prueba.
• Evaluación: Los modelos se evaluaron utilizando AUC, precisión, exactitud, exhaustividad y puntuación F1, con un enfoque específico en la evolución del rendimiento a través de diferentes longitudes de prefijo.

Resultados Clave

• Rendimiento General: La Regresión Logística logró el mejor rendimiento con un AUC de 0,906 y una puntuación F1 de 0,835, superando al modelo de Bosque Aleatorio. Esto sugiere que la representación de características basada en prefijos es suficientemente informativa para una predicción precisa utilizando modelos relativamente simples e interpretables.
• Emergencia Progresiva de Señales: El rendimiento predictivo mejora significativamente a medida que evoluciona la vía clínica y están disponibles más eventos:
  • En etapas tempranas (longitud de prefijo 1), el AUC es 0,642.
  • En longitud de prefijo 20, el AUC sube a 0,772.
  • En etapas posteriores (longitud de prefijo 50), el AUC alcanza 0,942.
• Reproducibilidad: La tubería genera artefactos intermedios explícitos (registros de eventos, conjuntos de datos de prefijos, tablas de características, salidas de predicción), asegurando que todo el flujo de trabajo sea trazable y reproducible.

Significado y Afirmaciones
El artículo aboga por un cambio de paradigma desde la predicción estática centrada en el modelo hacia una monitorización continua centrada en la tubería. Los autores afirman que:

1. Las señales predictivas emergen progresivamente: La información clínicamente relevante no se concentra en la admisión, sino que se codifica en la secuencia de eventos a lo largo del tiempo. En consecuencia, la estimación de riesgo debe ser un proceso continuo que se actualice a medida que evoluciona el viaje del paciente.
2. La transformación de datos es crítica: La calidad de la reconstrucción temporal y la construcción del registro de eventos es un factor decisivo en el rendimiento predictivo. El preprocesamiento de datos (específicamente la alineación temporal) debe considerarse un componente central de la arquitectura predictiva, no meramente un paso preliminar.
3. Las representaciones conscientes del proceso son esenciales: Modelar las trayectorias de los pacientes como secuencias evolutivas proporciona valor predictivo más allá de instantáneas estáticas. La capacidad de razonar sobre casos en ejecución utilizando representaciones basadas en prefijos permite una estimación temprana efectiva del riesgo.
4. Reproducibilidad y Trazabilidad: Al descomponer la tubería en etapas modulares que generan artefactos, el marco apoya la inspección, validación y depuración granular, lo cual es crucial para las aplicaciones clínicas.

El estudio concluye que, aunque los algoritmos de aprendizaje avanzados son útiles, la integración de una elevación de datos robusta, representaciones conscientes del proceso y tuberías reproducibles es el habilitador principal de una monitorización predictiva fiable en el ámbito sanitario.