Early identification of advanced chronicity (MACA) patients using Machine Learning models: a population-based predictive approach for proactive care stratification

Resumen Técnico: Identificación Temprana de Pacientes con MACA mediante Aprendizaje Automático

Planteamiento del Problema
La identificación de pacientes con Condiciones Crónicas Avanzadas (MACA, por sus siglas en inglés) sigue siendo un desafío crítico en la práctica clínica. Las estrategias actuales suelen basarse en criterios retrospectivos o en el juicio clínico (por ejemplo, la herramienta NECPAL, el Índice de Comorbilidad de Charlson), lo que puede retrasar una intervención oportuna y personalizada. Estos métodos tradicionales presentan limitaciones en la sensibilidad para la identificación en etapas tempranas y tienen dificultades para capturar la naturaleza multidimensional y dinámica de la cronicidad avanzada, particularmente en poblaciones no oncológicas donde la incertidumbre pronóstica es alta. Aunque las Historias Clínicas Electrónicas (HCE) ofrecen un vasto potencial de datos, existe una notable brecha en estudios dirigidos específicamente a la detección temprana y proactiva de pacientes con MACA en entornos del mundo real y basados en la población utilizando el Aprendizaje Automático (ML).

Metodología
Este estudio empleó un diseño de cohorte observacional retrospectivo en el Hospital Universitario Parc Taulí (Sabadell, España) para desarrollar y validar internamente un modelo predictivo basado en ML.

• Fuente de Datos y Población: El conjunto de datos comprendió 163 pacientes (80 MACA, 83 no MACA) extraídos de las HCE hospitalarias. Se aplicaron criterios de exclusión para las unidades de Pediatría, Obstetricia, Ginecología, Salud Mental y Cuidados Intensivos para asegurar la coherencia clínica con la definición de cronicidad avanzada.
• Ingeniería de Características: Inicialmente, se identificaron 173 variables a través de 24 condiciones clínicas. Debido a restricciones de extracción, se seleccionaron 80 variables. Crucialmente, se excluyeron las variables que reflejaban la interacción previa con cuidados paliativos especializados (Condición 1) para evitar dependencias circulares y asegurar que el modelo identifique casos previamente no reconocidos. Se incorporaron explícitamente las dependencias jerárquicas entre condiciones relacionadas (por ejemplo, la progresión de la fragilidad).
• Preprocesamiento: Los valores faltantes se gestionaron mediante imputación de la media (numéricos) o asignación de cero (categóricos). Las variables categóricas se sometieron a codificación one-hot y las variables continuas fueron estandarizadas.
• Selección de Características: Tres estrategias (k-best, varianza baja, eliminación recursiva de características) redujeron el conjunto de datos a 10 predictores clave.
• Desarrollo del Modelo: Se evaluaron 14 algoritmos de clasificación supervisada, incluyendo modelos lineales (Regresión Logística, LDA, SVM), métodos probabilísticos (Naïve Bayes) y métodos de ensamble (Bagging, Random Forest, XGBoost, LightGBM, CatBoost, AdaBoost).
• Estrategia de Validación: Se utilizó un enfoque de validación dual: una división de entrenamiento-prueba de 75/25 y una Validación Cruzada (CV) estratificada de 5 pliegues. Dado el objetivo de detección temprana, se priorizó la sensibilidad (recall) sobre la especificidad para minimizar los falsos negativos.

Resultos Clave

• Selección de Características: El modelo final utilizó 10 predictores: dependencia absoluta (COND8), declive funcional/dependencia severa (COND9), dependencia moderada (COND10), uso de recursos específicos (COND19), síndromes geriátricos graves/medios (COND22/23), identificador de paciente crónico complejo, evaluación paliativa ambulatoria, intervención de atención domiciliaria y prescripción de neurolépticos.
• Rendimiento del Modelo:
  • Bagging Classifier: Logró el rendimiento más consistente con una sensibilidad de 0.91, precisión de 0.905, F1-score de 0.905 y un AUC-ROC de 0.902 en el conjunto de prueba.
  • Árbol de Decisión (Decision Tree): Se comportó de manera idéntica al Bagging en el conjunto de prueba (Exactitud, Precisión, Recall y F1-score todos en 90.5%; AUC 0.912).
  • Validación Cruzada: La CV de 5 pliegues confirmó la estabilidad del modelo. El Bagging mostró una robustez superior con un F1-score medio de 0.919 y un AUC medio de 0.953, en comparación con 0.891 y 0.893 para el Árbol de Decisión, respectivamente.
• Importancia de los Predictores: El análisis de importancia de características en el modelo Bagging identificó la "dependencia absoluta" (peso 0.318) y el "uso de recursos específicos" (peso 0.262) como los predictores más influyentes.

Contribuciones Clave

1. Marco de Detección Proactiva: El estudio demuestra que los modelos de ML pueden identificar eficazmente a pacientes con MACA utilizando datos rutinarios de HCE, pasando de una identificación reactiva activada por eventos a un cribado proactivo.
2. Modelo Parsimonioso e Interpretable: La investigación establece que un conjunto reducido de 10 variables clínicamente interpretables (centradas en el declive funcional, la dependencia y la utilización de recursos) es suficiente para un alto rendimiento discriminativo, facilitando la integración clínica.
3. Evitación de la Lógica Circular: Al excluir las variables relacionadas con la identificación previa de cuidados paliativos, el modelo está diseñado para detectar casos no reconocidos en lugar de simplemente reproducir decisiones clínicas existentes.
4. Rendimiento Robusto de Ensamble: El estudio valida que los métodos de ensamble, específicamente el Bagging, ofrecen un equilibrio favorable entre sensibilidad y robustez para esta tarea clínica específica, superando a los modelos lineales simples y mostrando mayor estabilidad en la validación cruzada que los Árboles de Decisión individuales.

Significancia y Reivindicaciones
El artículo sostiene que sus hallazgos resaltan el potencial de las herramientas basadas en ML para la detección temprana de la cronicidad avanzada, ofreciendo una alta capacidad discriminativa (AUC > 0.90) que podría apoyar la estratificación proactiva de la atención. Los autores afirman que la capacidad del modelo para utilizar datos disponibles de forma rutinaria, combinada con la interpretabilidad de sus predictores, lo convierte en una herramienta de apoyo a la decisión viable para desplazar la prestación de servicios de salud hacia un marco más eficiente y centrado en el paciente.

Sin embargo, los autores mantienen un tono modesto respecto a las limitaciones del estudio. Reconocen explícitamente que el pequeño tamaño de la muestra (n=163) restringe la generalizabilidad y aumenta el riesgo de sobreajuste (overfitting), a pesar de la validación interna. Señalan que la distribución de clases casi equilibrada no refleja la prevalencia del mundo real, lo que puede derivar en una descalibración en la práctica. Por consiguiente, el artículo concluye que, si bien los resultados son prometedores, es esencial realizar validaciones externas en cohortes independientes y multicéntricas, así como estudios clínicos prospectivos, para confirmar la estabilidad, la transportabilidad del modelo y su impacto real en los resultados de los pacientes y la asignación de recursos.