Benchmarking Machine Learning Architectures for Antimicrobial Stewardship in Pediatric ICUs

Resumen Técnico: Evaluación Comparativa de Arquitecturas de Aprendizaje Automático para la Gestión de Antimicrobianos en Unidades de Cuidados Intensivos Pediátricos

Planteamiento del Problema
La resistencia a los antimicrobianos es una amenaza global crítica que exige programas efectivos de Gestión de Antimicrobianos (AMS) para reducir la exposición innecesaria a antibióticos. En las Unidades de Cuidados Intensivos Pediátricos (PICU), la incertidumbre clínica a menudo conduce a la iniciación por defecto de antibióticos de amplio espectro, lo que contribuye al sobreuso y a la resistencia a largo plazo. Si bien se ha propuesto el Aprendizaje Automático (ML) para apoyar la AMS mediante la predicción de oportunidades de intervención a partir de datos de la Historia Clínica Electrónica (EHR), el trabajo anterior se ha centrado en gran medida en poblaciones adultas y representaciones tabulares estáticas. Existe una brecha significativa en la comprensión de cómo modelar eficazmente las intervenciones de AMS en entornos pediátricos, donde los datos son más heterogéneos y escasos. Además, sigue sin estar claro qué objetivos de intervención son más informativos y qué enfoques de modelado (tabular frente a temporal) capturan mejor la estructura clínica de las decisiones de gestión.

Metodología
Los autores presentan un estudio de evaluación comparativa sistemática que evalúa arquitecturas de ML para predecir intervenciones de AMS en PICU. El estudio utiliza dos cohortes distintas: un conjunto de datos público (PIC, del Hospital Infantil de la Universidad de Zhejiang) y un conjunto de datos institucional privado.

• Configuración de Predicción: La tarea se formula como un problema de clasificación por día-paciente. Al inicio de cada día con terapia antibiótica activa, el modelo predice si ocurrirá una intervención de gestión dentro de las siguientes 24 horas.
• Objetivos: Se definen cuatro objetivos proxy clínicamente relevantes basados en datos retrospectivos de prescripción:
  1. Cambio de intravenoso a oral: Transición de una formulación intravenosa a una no intravenosa.
  2. Desescalada: Cambio a un antibiótico con un espectro estrictamente menor (basado en el Índice de Espectro Antibiótico).
  3. Suspensión: Terminación de la terapia antes del alta sin reinicio inmediato.
  4. Terapia de corta duración: Duración total del antibiótico entre 24 y 96 horas (excluyendo la cefazolina profiláctica), que sirve como proxy para un posible sobretratamiento.
• Representación de Datos: El estudio compara tres resoluciones temporales:
  1. 24 horas (Tabular): Estadísticas resumidas (mínimo, máximo, media, recuento) de variables dinámicas agregadas durante el día precedente.
  2. 1 hora (Aumentada): Bins horarios de las últimas 24 horas codificados mediante una Red Neuronal Convolucional (CNN) y concatenados con las características de 24 horas.
  3. Irregular (Basada en Grafos): Datos nativos de EHR muestreados de forma irregular procesados sin discretización.
• Clases de Modelos: Se evalúan tres clases de modelos bajo un marco unificado:
  • Modelos Tabulares: Regresión Logística, LightGBM, MLP y TabPFN.
  • Modelos Temporales Basados en Secuencias: GRU, LSTM, TCN, Transformer y Modelos de Espacio de Estados (SSM/inspirados en Mamba). Se prueban configuraciones de Aprendizaje de Tarea Única (STL) y Aprendizaje Multitarea (MTL).
  • Modelos Temporales Basados en Grafos: RAINDROP, que modela series temporales multivariadas como un grafo sobre variables.
• Evaluación: Los modelos se evalúan utilizando AUROC, Puntuación F1 y Área bajo la Curva de Precisión-Recall (AUPRC). También se evalúa la calibración para determinar la fiabilidad de las estimaciones de probabilidad.

Resultados Clave

• La Prevalencia del Objetivo Determina el Rendimiento: El rendimiento del modelo está determinado principalmente por la prevalencia del objetivo y las características de los datos, más que por la complejidad del modelo. Los objetivos raros (por ejemplo, el cambio de intravenoso a oral, que ocurre en <1% de los casos) producen un rendimiento pobre en precisión-recall a pesar de puntuaciones AUROC altas, lo que destaca las limitaciones del AUROC en entornos clínicos desequilibrados.
• Beneficios del Modelado Temporal: Los modelos basados en secuencias ofrecen mejoras en las compensaciones entre precisión y recall (AUPRC y F1) frente a los enfoques tabulares, particularmente para objetivos más prevalentes como la desescalada y la terapia de corta duración. Sin embargo, estas ganancias son modestas al pasar de datos agregados de 24 horas a resoluciones temporales más finas de 1 hora.
• Compensación de Calibración: Existe una compensación significativa entre la discriminación y la calibración. Aunque los modelos complejos basados en secuencias y grafos a menudo logran un mejor rendimiento de clasificación, consistentemente están menos bien calibrados que los modelos tabulares más simples (particularmente LightGBM). Los modelos tabulares producen estimaciones de probabilidad más fiables, lo cual es crítico para el apoyo a la decisión clínica.
• Aprendizaje Multitarea (MTL): Modelar conjuntamente tareas de gestión relacionadas produce mejoras marginales sobre el aprendizaje de tarea única. Esto sugiere que la estructura predictiva compartida entre diferentes tipos de intervención (por ejemplo, desescalada frente a suspensión) es débil, y que el modelado específico de la tarea sigue siendo preferible.
• Limitaciones Basadas en Grafos: El modelo basado en grafos (RAINDROP) mostró un rendimiento inferior en comparación con los modelos de secuencia, lo que sugiere que su enfoque para modelar el muestreo irregular no capturó completamente los patrones a nivel diario en este contexto específico.

Significado y Afirmaciones
El artículo afirma proporcionar la primera evaluación sistemática, entre cohortes, de la predicción de intervenciones de AMS específicamente para poblaciones pediátricas. Su principal significado radica en ofrecer orientación práctica para desarrollar Sistemas de Apoyo a la Decisión Clínica (CDSS) fiables para la AMS:

1. La Selección del Objetivo es Crítica: Los objetivos estándar para adultos (como el cambio de intravenoso a oral) pueden estar subutilizados o ser raros en entornos pediátricos, lo que hace necesaria la definición de proxies específicos para pediatría, como la terapia de corta duración.
2. Complejidad del Modelo frente a Utilidad: Aumentar la complejidad del modelo (por ejemplo, utilizando modelos temporales profundos) no garantiza un rendimiento superior. Los modelos tabulares más simples a menudo proporcionan estimaciones de probabilidad más fiables (calibración), lo cual es esencial para la confianza del clínico.
3. Representación Temporal: Aunque una resolución temporal más fina ofrece ganancias incrementales, la mayor parte de la señal predictiva se captura mediante características diarias agregadas.
4. Métricas de Evaluación: El estudio enfatiza que el AUROC por sí solo es insuficiente para evaluar la utilidad clínica; métricas como el AUPRC y la calibración son más informativas para las herramientas de apoyo a la decisión.

Los autores concluyen que, para la predicción de intervenciones de AMS en PICU, la definición del objetivo, la representación temporal y la calibración son tan críticas como la elección del modelo, y que aumentar la complejidad del modelo por sí solo es insuficiente para construir sistemas de apoyo a la decisión clínica fiables. El código del estudio se pone a disposición del público para garantizar la reproducibilidad.