Reconsidering the case against risk prediction in self-harm: routinely collected health data distinguishes groups at higher and lower risk of adverse outcomes following paracetamol overdose

El dilema del detective: ¿Puede el dato ver la tormenta antes de que estalle?

Imagine que es un pronosticador del tiempo intentando predecir una tormenta repentina y peligrosa. En el mundo de la medicina, específicamente cuando las personas acuden al hospital tras ingerir una dosis excesiva de paracetamol (un analgésico común) para hacerse daño, existe un gran debate sobre si podemos predecir la "tormenta" de un futuro suicidio o un regreso al hospital. Durante mucho tiempo, la regla oficial en el Reino Unido ha sido: "No intentes predecirlo". La idea era que los datos que los médicos recopilan cada día —como la edad, las visitas médicas pasadas y las listas de prescripciones— son demasiado ruidosos e inútiles para decirnos quién está en riesgo. Es como intentar adivinar el clima mirando una única foto borrosa de una nube; los expertos decían que la foto simplemente no tenía el detalle suficiente para ser útil.

Pero, ¿y si esa foto en realidad sí tuviera un patrón secreto? ¿Qué pasaría si, utilizando un cerebro informático superinteligente (aprendizaje automático) para observar miles de estas fotos borrosas a la vez, pudiéramos detectar una forma que el ojo humano pasa por alto? Esta es la pregunta que los científicos se han estado haciendo. Quieren saber si los "datos de salud recopilados de forma rutinaria" —los registros aburridos y cotidianos que los médicos anotan— contienen en realidad una señal oculta que pueda separar a las personas que tendrán un mal desenlace de aquellas que no lo tendrán. Si la respuesta es "sí", no significa que tengamos una bola de cristal, pero podría significar que no deberíamos haber tirado el mapa todavía. Si la respuesta es "no", entonces sabemos con certeza que tenemos que buscar ayuda en otra parte.

El gran rompecabezas del paracetamol: Encontrando la señal en el ruido

En este estudio, un equipo de investigadores decidió poner a prueba la teoría de que "los datos son inútiles". No intentaron construir una herramienta mágica para detener el suicidio; en su lugar, actuaron como detectives buscando una sola pista. Recopilaron los registros médicos de 4.095 adultos que acudieron a servicios de urgencias en NHS Lothian (Escocia) entre 2017 y 2023 debido a una sobredosis de paracetamol.

Piense en estos registros como una gigantesca caja de rompecabezas. Dentro había 37 piezas de información diferentes que un médico ya conocería en el momento en que el paciente entra: su edad, dónde vive (lo que da una pista sobre la precariedad de la zona), qué medicamentos ya está tomando y si ha visitado anteriormente a un especialista en salud mental. Los investigadores introdujeron estas piezas del rompecabezas en un modelo informático inteligente llamado "regresión logística de elastic-net". Puede pensar en este modelo como un bibliotecario muy estricto que intenta clasificar una enorme pila de libros en dos montones: "Libros sobre personas que tendrán un mal desenlace" y "Libros sobre personas que no lo tendrán".

Los investigadores observaron tres periodos de tiempo diferentes después de que el paciente abandonara el hospital:

1. La primera semana (0–7 días): ¿Murieron o fueron ingresados en una unidad de salud mental?
2. El siguiente mes (8–30 días): ¿Continuaron los problemas?
3. Todo el año (31–365 días): ¿Se rompió finalmente la tormenta?

El gran descubrimiento
Los resultados fueron sorprendentes. El modelo informático sí encontró un patrón. No era perfecto, pero era definitivamente mejor que lanzar una moneda al aire.

• En la primera semana, el modelo podía clasificar correctamente a los pacientes entre un 65% y un 82% de las veces (dependiendo de cómo se mida).
• En la ventana de 8 a 30 días, estaba entre el 63% y el 90%.
• Durante el año completo, estuvo entre el 71% y el 85%.

En el mundo de la estadística, una puntuación del 50% es simplemente adivinar. Cualquier cosa por encima de eso significa que el modelo realmente está viendo algo real. Los investigadores descubrieron que el modelo era bueno para detectar quién corría mayor riesgo, y era muy bueno asegurándose de que los números que proporcionaba coincidieran con los resultados de la vida real (esto se llama "calibración").

¿De dónde vinieron las pistas?
Podría pensar que el modelo solo estaba mirando la edad o el género, como un detective estereotípico. Pero los investigadores descubrieron que esa no era la historia principal. Los verdaderos "superpoderes" del modelo provenían de pistas relacionadas con la salud mental. El modelo obtuvo sus mejores predicciones de elementos como:

• Si la persona había recibido prescripciones de medicamentos antipsicóticos o ansiolíticos.
• Si tenía antecedentes de haber consultado a un psiquiatra.
• Si tenía un diagnóstico de esquizofrenia o enfermedad hepática relacionada con el alcohol.
• Cuántos tipos diferentes de medicamentos estaba tomando (polifarmacia).

La edad seguía siendo utilizada por el modelo, pero no era el factor determinante. La señal real estaba oculta en la compleja trayectoria de la salud mental de una persona.

Lo que este artículo dice (y lo que no dice)

Es muy importante entender lo que este estudio no está diciendo. Los autores no pretenden afirmar que ahora podamos predecir exactamente qué persona individual intentará suicidarse la próxima vez. No están diciendo que debamos empezar a usar este modelo informático en los hospitales para decidir quién recibe tratamiento.

De hecho, advierten explícitamente contra ello. La precisión del modelo, aunque es mejor que el azar, no es lo suficientemente alta como para ser utilizada como un juez final para una sola persona. Si utilizara esta herramienta en una persona, aún podría equivocarse. El artículo sostiene que las reglas actuales del Reino Unido, que dicen "nada de herramientas de predicción de riesgo en absoluto", podrían estar separando el grano de la paja. La regla se basaba en la idea de que ninguna señal útil existe en los datos. Este estudio sugiere que una señal útil sí existe, pero simplemente no es lo suficientemente fuerte como para ser un oráculo independiente.

Los investigadores también señalan que los datos "aburridos" y estructurados que utilizaron (las 37 casillas de verificación) tienen un límite. Es como intentar comprender una película leyendo únicamente el reparto y la duración; se pierde la trama, las emociones y los diálogos. Las pistas reales y profundas sobre el riesgo de una persona —como sus pensamientos específicos, sus sentimientos de desesperanza o su sistema de apoyo— suelen estar escritas en el texto libre de las notas médicas, no en las casillas de verificación. El artículo sugiere que si enseñamos a los ordenadores a leer esas notas (utilizando algo llamado Procesamiento de Lenguaje Natural), podríamos encontrar una señal aún más fuerte.

La conclusión

Entonces, ¿cuál es el veredicto? El artículo concluye que la idea de que "los datos de salud recopilados de forma rutinaria no contienen ninguna señal predictiva útil" no es cierta. Los datos sí tienen una señal; pueden distinguir entre grupos de personas con mayor y menor riesgo. Sin embargo, la señal es actualmente demasiado tenue para ser utilizada para tomar decisiones de vida o muerte sobre individuos aislados.

Los autores están diciendo esencialmente: "No cierren el libro sobre esta investigación solo porque el capítulo actual no es perfecto". Instan a los científicos a seguir buscando, quizás enseñando a los ordenadores a leer las partes humanas y desordenadas de las notas médicas, en lugar de rendirse ante la idea de que los datos pueden ayudar a salvar vidas. La puerta hacia una mejor predicción sigue abierta; solo necesitamos mejores herramientas para cruzarla.