Nationwide EHR-Based Chronic Rhinosinusitis Prediction Using Demographic-Stratified Models

Resumen Técnico: Predicción de Rinosinusitis Crónica a Nivel Nacional Basada en Historias Clínicas Electrónicas Utilizando Modelos Estratificados por Datos Demográficos

Planteamiento del Problema
La rinosinusitis crónica (RSC) es un trastorno inflamatorio heterogéneo que afecta aproximadamente al 11–12% de la población de EE. UU., imponiendo una carga significativa de morbilidad y costos financieros. La identificación temprana es un desafío porque los síntomas se superponen con afecciones comunes como la rinitis alérgica, y el diagnóstico formal generalmente requiere evidencia objetiva de endoscopia nasal o tomografías computarizadas, las cuales no siempre están disponibles en entornos de atención primaria. Estudios predictivos anteriores han dependido de cohortes de una sola institución, lo que limita la generalizabilidad a nivel poblacional, o han utilizado modalidades intensivas en recursos como la secuenciación genética y la imagenología. Además, los enfoques existentes de aprendizaje automático a menudo no tienen en cuenta la heterogeneidad demográfica pronunciada en los fenotipos de la RSC, como los cambios dependientes de la edad en la patología y las diferencias específicas del sexo en la presentación de la enfermedad.

Metodología
Los autores desarrollaron un marco predictivo utilizando datos longitudinales de Historias Clínicas Electrónicas (HCE) a nivel nacional del Programa de Investigación "All of Us" de los NIH, estandarizados al Modelo de Datos Comunes OMOP. La metodología consta de tres componentes principales:

1. Preprocesamiento de Datos y Construcción de Cohortes:

   • Definición del Objetivo: Los casos de RSC se identificaron mediante una estrategia de fenotipado basada en reglas que requería al menos dos códigos diagnósticos calificados dentro de un período de dos años. Los controles se emparejaron por puntaje de propensión con los casos basándose en edad, sexo, raza, etnia y frecuencia de visitas para mitigar el sesgo de vigilancia.
   • Ingeniería de Características: Los registros transaccionales brutos se transformaron en una representación de características basada en la recencia. Para cada variable clínica (condiciones, medicamentos, procedimientos), el valor de la característica representa el número de días entre el evento más reciente y la fecha índice. Los eventos fuera de la ventana de dos años o que nunca ocurrieron se asignaron un valor sentinela (999,999) para permitir que los modelos basados en árboles distinguieran los datos faltantes sin imputación.
   • Equilibrio: Se empleó una estrategia de emparejamiento de vecinos más cercanos 1:1 para crear una cohorte equilibrada de 17,560 participantes (8,780 casos y 8,780 controles).

2. Selección Híbrida de Características:
   Para abordar la extrema dispersión y dimensionalidad (más de 110,000 códigos candidatos), se implementó un pipeline de dos etapas:

   • Etapa 1 (Filtrado Grueso Estadístico): Las variables se clasificaron por la diferencia absoluta en prevalencia entre casos y controles ($|P_{objetivo} - P_{control}|$). Se retuvieron las 1,100 características principales (300 condiciones, 500 procedimientos, 300 medicamentos).
   • Etapa 2 (Filtrado Fino Basado en Modelos): Se entrenó un clasificador XGBoost global optimizado sobre las 1,100 características. Las características se clasificaron por importancia basada en la ganancia de información, y se seleccionaron las 100 principales. Este subconjunto representó el 80,6% del valor SHAP acumulativo total, asegurando la preservación del poder predictivo mientras se mejoraba la interpretabilidad.

3. Modelado Estratificado por Datos Demográficos:
   Reconociendo que los fenotipos de la RSC varían según el sexo y la edad, la cohorte se dividió en seis estratos mutuamente excluyentes: Masculino/Femenino cruzado con tres grupos de edad (18–40, 40–60, 60+). Se entrenaron seis modelos XGBoost independientes, uno para cada estrato. Cada modelo pasó por una optimización independiente de hiperparámetros utilizando el algoritmo de Estimador Parzen Estructurado en Árbol Bayesiano (TPE) durante 100 ensayos para maximizar el AUC-ROC.

Contribuciones Clave

• Escala Nacional: Aprovechó la diversidad y riqueza de la cohorte "All of Us" para superar las limitaciones de generalizabilidad de los estudios de una sola institución.
• Selección Híbrida de Características: Introdujo un pipeline que comprime más de 110,000 códigos clínicos en 100 características interpretables, equilibrando la parsimonia con el rendimiento predictivo.
• Estratificación Demográfica: Propuso un marco de modelado que cuenta explícitamente con el dimorfismo sexual dependiente de la edad en los fenotipos de la enfermedad, entrenando seis modelos adaptados en lugar de un único modelo global.
• Aplicabilidad Clínica: Demostró que los datos de HCE recopilados rutinariamente pueden apoyar la estratificación de riesgos sin depender de imágenes costosas o datos genéticos.

Resultados
El marco XGBoost estratificado por datos demográficos propuesto logró un Área bajo la Curva (AUC) general de 0,8461. Esto representó una mejora de 0,0168 sobre la mejor línea base (un modelo XGBoost global con un AUC de 0,8293). El método propuesto también superó a los modelos de Bosque Aleatorio (0,8159), SVM (0,8120) y Aprendizaje Profundo (0,8072).

Crucialmente, el enfoque estratificado mejoró la discriminación en los seis subgrupos, con ganancias de AUC que oscilaron entre +0,0076 y +0,0278. El modelo logró una sensibilidad de 0,6889, superando significativamente a los enfoques estándar de aprendizaje automático, lo cual es ventajoso clínicamente para el cribado para asegurar que no se pasen por alto los pacientes afectados.

El análisis de la importancia de las características reveló señales biológicas distintas entre los grupos:

• Hombres: Los modelos priorizaron características estructurales y polipoides (por ejemplo, desviación del tabique nasal en hombres más jóvenes, pólipos nasales en hombres mayores).
• Mujeres: Los modelos favorecieron marcadores de inflamación mucosa y atopia (por ejemplo, rinitis alérgica, asma y marcadores infecciosos en mujeres mayores).

Significado
El artículo afirma que modelar explícitamente la heterogeneidad demográfica produce ganancias medibles en la predicción del riesgo de RSC. Al capturar los factores de riesgo específicos asociados con diferentes subgrupos de sexo y edad, el marco ofrece una herramienta más precisa para la estratificación de riesgos representativa de la población. Los autores sugieren que este enfoque puede facilitar una triaje y priorización de derivaciones más tempranas en entornos de atención primaria, particularmente cuando no está disponible la imagenología diagnóstica, desplazando la toma de decisiones de la impresión subjetiva a la predicción basada en evidencia. El trabajo subraya la utilidad de los datos de HCE rutinarios en la identificación de casos potenciales de RSC antes de la evaluación por especialistas.