Resumen Técnico: Optimización de Intervalos de Seguimiento Sensible al Contexto para el Cuidado de la Diabetes Tipo 2 mediante Procesos de Decisión de Markov

Planteamiento del Problema

Las guías clínicas actuales para el manejo de la Diabetes Tipo 2 (DT2) prescriben intervalos de tiempo fijos para las visitas de seguimiento en atención primaria (por ejemplo, trimestral para pacientes descontrolados, semestral para pacientes controlados) independientemente de la heterogeneidad individual del paciente. Este enfoque de "talla única" no logra considerar la naturaleza dinámica de las trayectorias clínicas, los perfiles de riesgo variables y las compensaciones entre un monitoreo frecuente (que sobrecarga a los pacientes y a los sistemas) y un monitoreo infrecuente (que conlleva el riesgo de omitir el deterioro glucémico). Los estudios existentes se han centrado mayoritariamente en asociaciones de promedios poblacionales entre intervalos fijos y resultados, o en la selección de tratamientos, careciendo de un marco prescriptivo para optimizar los intervalos de seguimiento basados en la evolución del contexto del paciente.

Metodología

El estudio propone un marco de Proceso de Decisión de Markov Contextual (CMDP, por sus siglas en inglés) para derivar políticas de seguimiento personalizadas y específicas al contexto utilizando datos longitudinales de Registros de Salud Electrónicos (EHR) de 22,154 pacientes con DT2 de 10 clínicas de atención primaria (2017–2023). El flujo de trabajo analítico consta de cuatro etapas:

1. Preprocesamiento de Datos e Ingeniería de Características

El marco utiliza variables tanto estáticas como dinámicas:

• Variables Estáticas: Demografía (edad, sexo), comorbilidades (ECV, ERC, complicaciones de la DT2) e historial de utilización de servicios de salud.
• Variables Dinámicas: Definidas en cada época de decisión (visita del médico de atención primaria $t$):
  • Estado Glucémico: Categorizado como Controlado (HbA1c $< 6.5\%$), Descontrolado ($\ge 6.5\%$) o No Medido.
  • Hospitalización en el Intervalo: Indicador binario de ingreso hospitalario entre visitas.
  • Tendencia de HbA1c: Cambio en la $HbA1c$($\Delta HbA1c$) categorizado como Mejorando, Estable, Empeorando o Indefinido.

2. Reducción de Dimensionalidad (PCA)

Para manejar la alta dimensionalidad de las trayectorias clínicas (secuencias de 24 estados distintos por visita), se aplicó el Análisis de Componentes Principales (PCA). El estudio retuvo 83 componentes principales (PC) que explicaban colectivamente al menos el 95% de la varianza en el espacio de características original de 409 dimensiones.

3. Agrupamiento para la Identificación de Contextos

Los pacientes fueron asignados a distintos "contextos" utilizando el algoritmo K-Prototypes, el cual gestiona datos mixtos numéricos (PC) y categóricos (estáticos). El número óptimo de grupos ($K=2$) se determinó maximizando el coeficiente de silueta promedio. Esto resultó en dos subpoblaciones distintas:

• Contexto 1 (Alto Riesgo): Pacientes de mayor edad con mayores cargas de comorbilidad (ERC, ECV, complicaciones).
• Contexto 2 (Bajo Riesgo): Pacientes relativamente más jóvenes y sanos con menos complicaciones.

4. Formulación del CMDP

El problema de optimización se modela como un CMDP de horizonte infinito con descuento definido por la tupla $(S, A, \{P_z\}, \{C_z\}, \gamma)$:

• Espacio de Estados ($S$): El producto cartesiano del estado glucémico, el estado de hospitalización y la tendencia de $HbA1c$, más un estado absorbente de "Pérdida de Seguimiento".
• Espacio de Acciones ($A$): Intervalos de seguimiento discretizados: 1, 3, 6, 12 o $>12$ meses.
• Función de Costo ($C_z$): Una función de costo no monetaria que agrega cuatro componentes para cuantificar la carga clínica:
  1. Carga Glucémica ($C_G$): Tiempo pasado con $HbA1c > 6.5\%$, ponderado por la severidad de las transiciones de estado.
  2. Incertidumbre de Medición ($C_M$): Penalización por actuar sobre datos de $HbA1c$ no medidos o desactualizados, escalando con la duración de la incertidumbre.
  3. Costo de Hospitalización ($C_I$): Penalización por ingresos hospitalarios ocurridos entre visitas.
  4. Costo de Utilización de Visitas ($C_F$): Una penalización cóncava por visitas frecuentes para desincentivar la carga innecesaria, modelada mediante un logaritmo transformado.
• Objetivo: Minimizar el costo acumulado descontado esperado para cada contexto $z$.

Resultados Clave

1. Descubrimiento de Contextos

El agrupamiento identificó con éxito dos grupos clínicamente distintos. Los pacientes del Contexto 1 eran significativamente mayores (64.1% $\ge$ 60 años) y presentaban tasas más altas de ERC (34.45% vs. 23.96%), ECV (40.69% vs. 33.15%) y complicaciones de la DT2 en comparación con el Contexto 2.

2. Políticas Óptimas

Las políticas aprendidas mediante el CMDP revelaron una estratificación matizada y basada en datos:

• HbA1c No Medida: Ambos contextos recomiendan un seguimiento de 1 mes, priorizando la re-medición rápida para reducir la incertidumbre.
• Descontrolado/Empeorando: Ambos contextos recomiendan intervalos cortos (1–3 meses). El Contexto 1 (alto riesgo) suele optar por el intervalo más corto (1 mes) cuando hay señales adversas (tendencia de empeoramiento o hospitalización).
• Controlado/Estable:
  • Contexto 2 (Bajo Riesgo): Las políticas frecuentemente recomiendan intervalos extendidos de 12 meses.
  • Contexto 1 (Alto Riesgo): Las políticas limitan los intervalos a un máximo de 6 meses, reflejando un enfoque más conservador incluso para pacientes estables debido al mayor riesgo basal.
• Tendencia General: Para casi cada estado clínico, el intervalo recomendado para el contexto de alto riesgo es menor o igual al del contexto de bajo riesgo.

3. Desempeño Comparativo

Las políticas del CMDP se compararon con tres heurísticas: las guías fijas de la ADA, una política fija de 3 meses y una política fija de 6 meses.

• Contexto de Alto Riesgo: La política del CMDP redujo el costo acumulado esperado en aproximadamente un 34.8% en comparación con la política de intervalo fijo tipo ADA.
• Contexto de Bajo Riesgo: La política del CMDP redujo el costo en aproximadamente un 6.4% respecto a la política de intervalo fijo.
• Robustez: Los análisis de sensibilidad al variar los parámetros de costo (penalizaciones de incertidumbre, pesos de hospitalización y adversidad de transición) confirmaron que la política del CMDP supera consistentemente a todos los referentes en una amplia gama de especificaciones de parámetros.

Significación y Reivindicaciones

El artículo sostiene que este estudio proporciona un marco prescriptivo para estrategias de seguimiento adaptativas en atención primaria, yendo más allá de las asociaciones descriptivas para optimizar la toma de decisiones bajo incertidumbre.

• Contribución Clínica: El estudio operacionaliza la compensación entre el tiempo pasado en estados descontrolados y la utilización de recursos de salud. Demuestra que los enfoques sensibles al contexto pueden sintetizar el aprendizaje automático (agrupamiento/PCA) y los modelos de decisión probabilística (MDP) para generar políticas interpretables que se alineen con la intuición clínica y aborden las necesidades de subpoblaciones específicas.
• Novedad Metodológica: El trabajo introduce una aplicación novedosa de la reducción de dimensionalidad en trayectorias post-diagnóstico complejas y el agrupamiento de datos mixtos dentro de un marco de CMDP.
• Resultado: Los hallazgos sugieren que los intervalos personalizados y específicos al contexto pueden reducir significativamente la carga clínica esperada (costo) en comparación con las guías estáticas, particularmente para poblaciones con alta comorbilidad, sin aumentar el riesgo de omitir un deterioro de la salud.

Los autores reconocen limitaciones respecto a la generalizabilidad de los datos (un solo sistema de salud) y la exclusión de modalidades no presenciales (telemedicina) y resultados reportados por el paciente, señalándolos como áreas para futuras investigaciones.