Comparative Evaluation of Machine Learning and Deep Learning Models for Early Prediction of Severe Acute Pancreatitis: A Multi-Model Study Using the 2012 Revised Atlanta Classification

Resumen Técnico: Evaluación Comparativa de Modelos de ML y DL para la Predicción Temprana de SAP

Planteamiento del Problema
La pancreatitis aguda (PA) es una emergencia gastrointestinal frecuente en la que aproximadamente el 10–20% de los pacientes progresan a pancreatitis aguda grave (SAP), una condición asociada con una mortalidad del 20–40% y un uso significativo de recursos de cuidados intensivos. La identificación oportuna de la SAP es crítica para la escalada temprana del cuidado. Sin embargo, los sistemas de puntuación de gravedad clínica establecidos (p. ej., Ranson, APACHE II, BISIS, MCTSI) dependen de datos acumulados durante 24–48 horas o requieren imágenes de TC con contraste, lo que limita su utilidad para el triaje inmediato al ingreso hospitalario. Existe una necesidad insatisfecha de herramientas de predicción capaces de estratificar la gravedad utilizando datos de ingreso rutinarios disponibles al momento de la presentación.

Metodología
Este estudio realizó una evaluación retrospectiva multimodelo en una cohorte china de 722 pacientes con PA (585 graves, 137 leves/moderados), etiquetados según la Clasificación de Atlanta Revisada de 2012. Las características de entrada consistieron en 13 variables de ingreso rutinarias, incluyendo valores de laboratorio (WBC, PCR, creatinina, BUN, glucosa, calcio, LDH, albúmina, hematocrito) y mediciones clínicas (edad, IMC, frecuencia cardíaca, presión arterial sistólica).

Los autores evaluaron 11 modelos distintos a través de tres familias arquitectónicas utilizando una validación cruzada estratificada de 5 pliegues para abordar el desequilibrio de clases (prevalencia de SAP del 81%):

1. Aprendizaje Automático Clásico (ML): Regresión Logística (regularizada con L2), Random Forest (500 estimadores, pesos equilibrados) y Gradient Boosting (200 estimadores).
2. Aprendizaje Profundo (DL) de Propagación hacia Adelante (Feedforward): Un MLP estándar de 3 capas, un MLP Residual y un MLP con Atención.
3. Aprendizaje Profundo Recurrente: LSTM estándar, LSTM Apilado, LSTM Bidireccional, LSTM con atención aditiva y un híbrido CNN-LSTM.

Los modelos de aprendizaje profundo fueron adaptados para datos tabulares transversales mediante el remodelado de los vectores de características en secuencias de longitud uno. El rendimiento se evaluó mediante AUC-ROC, puntuación F1, sensibilidad, especificidad y PPV, con umbrales de decisión optimizados para maximizar la puntuación F1 en los pliegues de entrenamiento.

Resultados Clave

• Superioridad del ML Clásico: Los métodos de ensamble clásicos superaron a todas las arquitecturas de aprendizaje profundo. Random Forest (RF) alcanzó el AUC más alto de 0.877 (F1 = 0.917, Sensibilidad = 96.8%, PPV = 87.1%). Gradient Boosting le siguió de cerca con un AUC de 0.874.
• Rendimiento del Aprendizaje Profundo: Entre los modelos de aprendizaje profundo, el MLP estándar fue el que mejor funcionó (AUC = 0.836), superando a las variantes Residual y de Atención. Los modelos recurrentes (familia LSTM) demostraron el menor poder discriminativo, con AUCs que oscilaron entre 0.684 y 0.777.
• Fallo de los Modelos Recurrentes: El CNN-LSTM fue el modelo recurrente con mejor desempeño (AUC = 0.777), pero siguió siendo inferior a todos los enfoques clásicos. La mayoría de las variantes de LSTM alcanzaron una sensibilidad del 100%, pero a costa de un "colapso de umbral" (umbrales de decisión cercanos a cero), prediciendo efectivamente la clase mayoritaria (SAP) para todas las entradas, lo que las hace clínicamente no discriminativas.
• Sensibilidad vs. Especificidad: Mientras que RF logró una alta sensibilidad (96.8%), mantuvo un PPV de 87.1%. En contraste, los modelos de aprendizaje profundo a menudo sacrificaron la especificidad por completo para alcanzar la máxima sensibilidad, resultando en un PPV incomputable o insignificante en contextos clínicos significativos.

Contribuciones Clave

1. Comparación Sistemática: El estudio proporciona una comparación rigurosa y directa de 11 modelos que abarcan ML clásico, aprendizaje profundo de propagación hacia adelante y aprendizaje profundo recurrente para la predicción temprana de la SAP.
2. Perspectiva Arquitectónica: Demuestra que para datos médicos tabulares transversales de un solo encuentro, las arquitecturas recurrentes (LSTMs) no ofrecen ventaja y, a menudo, tienen un rendimiento inferior en comparación con los métodos de ensamble clásicos. El estudio destaca que el sesgo inductivo de los ensambles de árboles es más adecuado para vectores de características independientes que los modelos secuenciales forzados sobre datos no secuenciales.
3. Implementación de Código Abierto: Los autores liberaron el pipeline completo de análisis, el código de preprocesamiento y los artefactos de los modelos entrenados para facilitar la reproducibilidad y la investigación futura.

Significancia y Reivindicaciones
El artículo sostiene que Random Forest proporciona una herramienta robusta y de alta sensibilidad para la predicción temprana de la gravedad de la SAP utilizando únicamente datos de ingreso de rutina, lo que potencialmente permite un triaje más temprano que los sistemas de puntuación actuales de 24–48 horas. Los hallazgos respaldan la utilidad clínica continua del aprendizaje automático clásico en datos médicos estructurados, desafiando la suposición de que el aprendizaje profundo es universalmente superior.

Los autores declaran explícitamente que el limitado valor añadido de las arquitecturas recurrentes en este entorno se debe probablemente al desajuste entre la naturaleza secuencial de las LSTMs y la naturaleza transversal del conjunto de datos. Concluyen que, si bien los modelos son prometedores, se requiere una validación prospectiva externa antes de su despliegue clínico. El estudio reconoce limitaciones, incluyendo el diseño de cohorte única (centro terciario chino), el posible sesgo de derivación y la falta de comparación directa con puntuaciones clínicas establecidas (BISAP, APACHE II) en el mismo conjunto de datos. Los modelos están destinados estrictamente a fines de investigación y no han sido validados para guiar el manejo de los pacientes.