Resumen Técnico: g-computación guiada por expertos con LLMs para la estimación de efectos causales en tiempos

1. Planteamiento del problema

Los programas de Mejora de la Calidad (QI) hospitalaria se enfrentan frecuentemente al desafío de priorizar intervenciones candidatas para optimizar el flujo hospitalario, centrándose específicamente en la Estancia Media Hospitalaria (LOS, por sus siglas en inglés). Mientras que se proponen numerosas intervenciones (por ejemplo, mejora del triaje, equilibrio de la carga de trabajo, soporte de decisiones por IA), los métodos existentes tienen dificultades para estimar y clasificar con precisión sus efectos causales.

Los enfoques actuales se dividen en dos categorías con limitaciones distintas:

• Enfoques Cualitativos: Dependen del juicio de expertos y de herramientas como diagramas de Gantt (o mapas de flujo de valor) para mapear las trayectorias de los pacientes. Aunque son intuitivos, estos métodos son susceptibles de sesgos cognitivos y a menudo no logran predecir con precisión los efectos derivados de las intervenciones debido a las complejas interacciones entre eventos.
• Enfoques Cuantitativos: Dependen de modelos estadísticos basados en datos (por ejemplo, regresión). Estos fallan cuando las intervenciones son enteramente hipotéticas (carecen de datos históricos), cuando se viola la "suposición de positividad" (ya que nunca se han implementado nuevas políticas) o cuando los mecanismos causales son demasiado complejos para ser aprendidos únicamente de datos tabulares sin incorporar el razonamiento clínico.

El problema central es la falta de un marco que pueda estimar el "tiempo promedio ahorrado" ($\tau = E[Y(0) - Y(1)]$) para intervenciones hipotéticas en entornos donde las trayectorias de los pacientes son heterogéneas, los datos son limitados para nuevas políticas y se requiere razonamiento clínico para comprender mecanismos causales no estructurados.

2. Metodología: g-computación guiada por expertos (Egg-computation)

Los autores proponen la egg-computation, un marco híbrido que integra el razonamiento cualitativo de expertos con el modelado cuantitativo basado en datos. La metodología cierra la brecha entre los diagramas de Gantt (utilizados en la gestión de operaciones) y los Grafos Acíclicos Dirigidos (DAGs) utilizados en la inferencia causal.

2.1 Modelo Causal sobre Diagramas de Gantt

Los autores formalizan un diagrama de Gantt como un DAG causal donde:

• Los Nodos representan tiempos de eventos ($T_k$) o tiempos de espera ($W_k$) entre eventos.
• Las Aristas representan dependencias (por ejemplo, inicio-inicio, fin-inicio).
• La Intervención ($A$): Es un nodo binario que representa la política actual ($A=0$) frente a una política candidata de QI ($A=1$).
• Resultados Potenciales: $Y(a) = T_K(a)$ representa la LOS bajo la política $a$.

El modelo asume una propiedad de Markov local donde el tiempo de espera de un evento es condicionalmente independiente de sus no descendientes dados sus padres y covariables base ($X$).

2.2 El Pipeline de Egg-Computation

La estimación del efecto causal $\tau$ se logra simulando trayectorias de pacientes contrafácticas ($Y(1)$) a través de un proceso de tres pasos que clasifica los eventos en tres tipos según su relación con la intervención:

1. Tipo I (No descendientes de $A$): Eventos no afectados por la intervención. Sus tiempos de espera se copian directamente de la línea de tiempo fáctica observada ($W_k(1) = W_k$).
2. Tipo II (Descendientes de $A$, pero no hijos directos): Eventos situados aguas abajo de los objetivos de la intervención. Sus tiempos de espera se imputan utilizando modelos estadísticos entrenados en datos observacionales, condicionados a los tiempos de los padres (modificados).
3. Tipo III (Hijos directos de $A$ / Objetivos de la Intervención): Eventos modificados directamente por la política. Dado que estos no se observan en los datos, sus distribuciones de tiempo de espera son suministradas por el juicio de expertos (o un LLM alineado).

El estimador final es la diferencia promedio entre la LOS observada y la LOS simulada contrafáctica en toda la población.

2.3 Escalabilidad con Modelos de Lenguaje de Gran Escala (LLMs)

Para hacer que la egg-computation sea viable a escala, los autores desarrollaron un pipeline asistido por LLM para reemplazar a los expertos humanos en dos pasos críticos:

• Paso 1: Construcción del DAG: El LLM lee notas clínicas no estructuradas y descripciones de intervenciones para:
  • Determinar la elegibilidad del paciente.
  • Construir un DAG causal específico para el paciente.
  • Clasificar los nodos como Tipo I, II o III.
  • Implementación: Una estrategia de prompting de cinco pasos (razonamiento, extracción de nodos, extracción de aristas, formateo, validación) asegura un razonamiento causal riguroso y evita las alucinaciones.
• Paso 2: Simulación de Tiempos:
  • Para los nodos de Tipo II, el LLM puede utilizarse mediante Aprendizaje en Contexto (ICL) para predecir tiempos de espera basados en casos históricos similares, o bien pueden usarse modelos de regresión estándar.
  • Para los nodos de Tipo III, el LLM es instruido con especificaciones detalladas de la intervención (incluyendo ejemplos de los tiempos esperados) para muestrear de la distribución suministrada por el experto $p_{expert}$.

3. Contribuciones Clave

1. Marco Teórico: El artículo establece el primer marco de identificación causal para diagramas de Gantt, demostrando que bajo supuestos específicos (Consistencia, Intervención Exógena, Restricción de Exclusión, Markov Local y Precisión del Experto), el tiempo promedio ahorrado es identificable mediante una variante de la g-computación.
2. Metodología Híbrida: Introduce la "g-computación guiada por expertos", que asigna tareas estratégicamente: los expertos (o LLMs) manejan los componentes no identificables (objetivos de la intervención), mientras que los modelos de datos manejan los componentes identificables (dependencias aguas abajo).
3. Pipeline de LLM: Demuestra un pipeline práctico basado en prompts que escala el razonamiento de expertos, permitiendo la generación de DAGs específicos de cada paciente y simulaciones contrafácticas sin necesidad de reentrenar modelos.
4. Validación Empírica: El marco se valida tanto mediante simulaciones como a través de un estudio de mundo real en un hospital urbano de seguridad social.

4. Resultados

4.1 Estudios de Simulación

En simulaciones donde las estructuras causales de los pacientes eran heterogéneas (variando las dependencias entre los informes de TC y RM), la egg-computation superó significativamente a los métodos convencionales:

• Reducción de Sesgo: Los métodos que dependían de un único DAG compartido incurrieron en grandes sesgos (hasta 14 horas) cuando el DAG asumido era incorrecto para la mayoría de los pacientes.
• Precisión: La egg-computation utilizando DAGs específicos de cada paciente (extraídos por el LLM) y la propagación exacta de tiempos logró un sesgo de cero. Incluso con modelos de tiempo imperfectos (OLS o kNN), el sesgo se mantuvo bajo (< 0.4 horas) en comparación con la errónea especificación estructural.

4.2 Evaluación en el Mundo Real (Zuckerberg San Francisco General Hospital)

El pipeline se aplicó a 11 intervenciones candidatas de QI a través de 2,193 líneas de tiempo de pacientes hospitalizados.

• Concordancia de Expertos: Los DAGs generados por el LLM mostraron una alta concordancia con los expertos humanos en QI.
  • Especificidad para los objetivos de la intervención: ~96.5%.
  • Precisión para las aristas descendentes: ~91.8–94.2%.
  • Impacto en las Estimaciones: Ejecutar nuevamente la egg-computation con los DAGs generados por el LLM frente a los corregidos por expertos resultó en una diferencia media en el tiempo estimado ahorrado de solo -2.6 a 8.1 horas, con 19 de 24 pares resultando en estimaciones idénticas.
• Rendimiento del Modelo de Tiempo: El Aprendizaje en Contexto (ICL) utilizando GPT-5 logró el Error Absoluto Medio más bajo (24.1 horas) para predecir los tiempos de espera descendentes, superando a los modelos de regresión tradicionales (Random Forest, Ridge) y a los baselines.
• Insights de Priorización:
  • Los rankings causales difirieron significativamente de los rankings basados únicamente en tasas de elegibilidad. Por ejemplo, la "Escalada de respuesta de consulta" fue clasificada en primer lugar por impacto causal (18.9 horas ahorradas) a pesar de tener una elegibilidad menor que la "Prioridad de imagen crítica para el alta".
  • Los clínicos encontraron que los rankings causales estaban más alineados con su intuición que los rankings basados en la elegibilidad.
  • El análisis reveló fallos de diseño en las intervenciones (por ejemplo, la planificación del alta temprana a menudo se veía bloqueada por necesidades médicas irresolubles), proporcionando información accionable para el rediseño de intervenciones.

5. Significado y Reivindicaciones

El artículo afirma que la egg-computation proporciona un marco ampliamente aplicable para estimar el tiempo promedio ahorrado para intervenciones candidatas donde los mecanismos causales pueden representarse mediante diagramas de Gantt.

• Cerrando la Brecha: Combina con éxito las fortalezas del razonamiento cualitativo (manejo de escenarios hipotéticos y mecanismos complejos) con el rigor cuantitativo (eliminación de confusión y aprovechamiento de datos).
• Escalabilidad: Al aprovechar los LLMs, el marco hace que la inferencia causal guiada por expertos sea factible para las operaciones hospitalarias a gran escala, superando las limitaciones de recursos de la revisión manual de expedientes.
• Inteligencia Accionable: Más allá de proporcionar un solo número, el método genera diagramas de Gantt contrafácticos que permiten a los clínicos auditar la plausibilidad del razonamiento causal y entender por qué una intervención podría o no funcionar, facilitando un mejor diseño de la misma.

Los autores concluyen que, si bien el enfoque es la LOS hospitalaria, la metodología es aplicable a cualquier dominio donde las dependencias de tareas y los tiempos de procesos sean críticos y puedan modelarse mediante diagramas de Gantt.