Sequence models reveal diagnosis accumulation pathways beyond comorbidity burden in population-scale hospital data

Resumen Técnico: Los modelos de secuencias revelan vías de acumulación de diagnósticos más allá de la carga de comorbilidad

Planteamiento del problema
Las herramientas clínicas actuales para evaluar la carga de enfermedad, como el índice de comorbilidad de Elixhauser, dependen de resúmenes transversales de las condiciones presentes en un momento específico. Si bien son eficaces para predecir la mortalidad intrahospitalaria y el uso de recursos, estos índices descartan información longitudinal crítica: el tiempo, la secuencia y el ritmo de la acumulación de la morbilidad. En consecuencia, no logran capturar la heterogeneidad dinámica de las trayectorias de envejecimiento, donde individuos con una edad y una carga de enfermedad estática similares pueden experimentar trayectorias de salud futuras notablemente distintas. Los autores investigan si los historiales de diagnósticos hospitalarios longitudinales contienen información predictiva más allá de la edad, el sexo y los índices de comorbilidad establecidos, y si los modelos de secuencias pueden extraer esta información para identificar trayectorias de salud divergentes.

Metodología
El estudio utiliza 13 años de datos de reclamaciones de hospitalización a nivel nacional de Austria (1997–2009) que cubren 7,4 millones de pacientes. El enfoque consiste en un proceso de dos etapas:

1. Preentrenamiento contrastivo (no supervisado):

   • Arquitectura: Un transformador a nivel de visita (codificador tipo BERT de 4 capas) procesa los historiales de los pacientes como secuencias de visitas hospitalarias.
   • Entradas: Cada visita se codifica mediante códigos de diagnóstico CIE-10, el tiempo transcurrido desde la admisión anterior (agrupado en meses) y el sexo del paciente.
   • Objetivo de entrenamiento: El modelo emplea un aprendizaje contrastivo autosupervisado utilizando una pérdida InfoNCE. Genera dos vistas estocásticas aumentadas de la historia de cada paciente mediante el dropout de códigos y el submuestreo de visitas. El objetivo es maximizar la similitud entre los embeddings de estas dos vistas para el mismo paciente, minimizando al mismo tiempo la similitud con otros pacientes en el lote (batch).
   • Salida: Este proceso produce un embedding de la historia del paciente de 32 dimensiones que captura la estructura de las trayectorias médicas longitudinales sin requerir etiquetas de resultados.

2. Predicción descendente (supervisada):

   • Cohorte: Una cohorte de control de 1,7 millones de individuos (seguimiento 2010–2014).
   • Modelos: Se compararon cuatro clases de modelos:
     • Demográfico: Edad y sexo.
     • Comorbilidad: Edad, sexo y puntuación de Elixhauser.
     • Embedding: Edad, sexo y el embedding de la historia del paciente aprendido.
     • Combinado: Todas las características.
   • Resultados (Outcomes):
     • Bloques de enfermedades incidentes: 131 bloques específicos de enfermedades de la CIE-10 (A00–N99).
     • Supervivencia libre de eventos: Un punto final de trayectoria compuesta definido como permanecer vivo sin acumular un segundo bloque de la CIE-10 previamente no registrado o muerte intrahospitalaria durante el seguimiento de 5 años.
   • Análisis de riesgo residual: Para aislar el valor del embedding, los autores calcularon el "riesgo residual" ($r_i = \hat{p}_{embedding} - \hat{p}_{comorbidity}$) para pacientes con un riesgo basal similar (estratificados por edad, sexo y deciles de Elixhauser). Esto identificó pacientes donde el embedding predijo un riesgo significativamente mayor o menor que el modelo de comorbilidad estándar.

Resultados clave

• Desempeño predictivo:

  • El modelo de embedding superó al modelo demográfico para 101 de los 131 bloques de enfermedades (ganancia de AUC mediana +0,012) y al modelo de comorbilidad basado en Elixhauser para 93 de los 131 bloques (ganancia de AUC mediana +0,006).
  • Las ganancias no fueron uniformes; se concentraron en trastornos mentales, musculoesqueléticos, del sistema nervioso y metabólicos. Las ganancias fueron insignificantes o ausentes para neoplasias, enfermedades infecciosas y enfermedades de la piel.
  • Para el punto final compuesto de supervivencia libre de eventos, el modelo de embedding alcanzó un AUC de 0,726 frente a 0,722 para el modelo de comorbilidad (ganancia +0,0037).

• Riesgo residual y divergencia de trayectorias:

  • Entre los pacientes con un riesgo predicho casi idéntico bajo el modelo de comorbilidad (riesgo medio ~0,53), aquellos asignados un alto riesgo residual por el modelo de embedding experimentaron peores resultados.
  • Supervivencia libre de eventos: Los pacientes de alto riesgo residual tuvieron entre 132 y 183 días libres de eventos menos durante cinco años en comparación con sus pares de bajo riesgo residual.
  • Equivalencia de edad: Los pacientes de alto riesgo residual (ej. edad 50) exhibieron tasas de eventos comparables a los pacientes de bajo riesgo residual más de una década mayores (ej. edad 64).
  • Características clínicas: La señal del embedding se correlacionó con diferencias medibles en la historia previa al punto de referencia (landmark) no capturadas por la puntuación de Elixhauser: mayor frecuencia de visitas, mayor diversidad diagnóstica, más capítulos de la CIE-10 afectados, acumulación de bloques de enfermedades más rápida y menor tiempo desde la última admisión.

Significancia y afirmaciones
El artículo afirma que los historiales de diagnósticos hospitalarios longitudinales contienen información sobre la futura acumulación de morbilidad que se comprime o se pierde en los resúmenes estáticos de comorbilidad. La contribución principal no es un aumento masivo y uniforme en la discriminación promedio (AUC), sino la capacidad de revelar una heterogeneidad clínicamente significativa entre pacientes que parecen similares bajo las métricas convencionales.

Los autores argumentan que los modelos de secuencias contrastivos pueden extraer señales relacionadas con la amplitud, la recencia y el ritmo de la acumulación de enfermedades. Esto permite la identificación de riesgos de acumulación de morbilidad "ocultos", ofreciendo una descripción de la heterogeneidad de la esperanza de vida saludable (healthspan) basada en la trayectoria que los recuentos estáticos no pueden proporcionar. El estudio sugiere que, si bien las ganancias promedio en el AUC son modestas, la identificación de trayectorias divergentes en pacientes con cargas estáticas similares representa un paso significativo hacia la comprensión de la naturaleza dinámica del envejecimiento y la multimorbilidad.

Limitaciones señaladas
Los autores reconocen explícitamente que el análisis se restringe a reclamaciones de hospitalización, omitiendo diagnósticos ambulatorios, medicamentos y factores de estilo de vida. Señalan que las modestas ganancias pueden reflejar las limitaciones de los datos de hospitalización o la dificultad inherente de predecir resultados de morbilidad amplios a partir de bases de referencia ya informativas. Además, el análisis de riesgo residual es descriptivo e identifica asociaciones en lugar de establecer causalidad o procesos modificables.