Predictive models for hospitalization and mortality in dengue using SINAN data: study protocol for development, temporal validation, and performance evaluation

Resumen Técnico: Modelos Predictivos de Hospitalización y Mortalidad por Dengue utilizando Datos de SINAN

Planteamiento del Problema
El dengue impone una carga clínica y organizacional significativa sobre los sistemas de salud, particularmente durante las epidemias, donde los altos volúmenes de casos tensionan el triaje, las decisiones de hospitalización y el monitoreo de pacientes. Aunque existe un creciente cuerpo de literatura que aborda la predicción del dengue, los estudios existentes suelen sufrir de heterogeneidad metodológica, diseños analíticos insuficientemente detallados y una falta de validación rigurosa. Existe una brecha crítica en la confusión de distintos resultados clínicos; muchos estudios tratan la hospitalización, la enfermedad grave y la mortalidad como intercambiables o como parte de un único continuo. Sin embargo, estos resultados ocurren en diferentes etapas de la vía de atención: la decisión de admitir a un paciente depende de la información disponible en la evaluación inicial, mientras que la evaluación del riesgo de mortalidad ocurre después de la admisión para pacientes que ya se encuentran en un estado grave. Además, los modelos publicados frecuentemente carecen de métricas de calibración, sufren de un alto riesgo de sesgo (particularmente respecto al manejo de datos faltantes y la baja relación evento-predictor) y rara vez se someten a una validación temporal para probar su estabilidad a través de los ciclos epidémicos.

Metodología
Este protocolo de estudio describe un análisis retrospectivo utilizando datos secundarios del Sistema de Información de Notificación de Enfermedades Transmisibles (SINAN) de Brasil, que cubren el periodo de 2017 a 2025. El estudio está diseñado de acuerdo con las directrices TRIPOD+AI para el modelado predictivo y utiliza el marco de trabajo Reusable Analytical Pipelines for Infectious Diseases (RAPID).

• Diseño del Estudio y Poblaciones: Se definen dos poblaciones analíticas independientes para abordar distintas preguntas clínicas:

  1. Modelo de Hospitalización: Incluye todos los casos de dengue reportados (confirmados por criterios de laboratorio o clínico-epidemiológicos) para predecir el desenlace de hospitalización. Los predictores se restringen a los datos disponibles hasta el momento de la notificación o la evaluación inicial.
  2. Modelo de Mortalidad: Incluye únicamente a pacientes hospitalizados por dengue para predecir la mortalidad intrahospitalaria. Los predictores se restringen a los datos disponibles hasta el momento de la admisión.
  • Criterios de Exclusión: Se excluyen los registros con desenlaces faltantes, fechas faltantes de inicio de síntomas/notificación o secuencias de fechas incompatibles. También se excluyen los casos descartados y las clasificaciones inconclusas.

• Procesamiento de Datos e Ingeniería de Características:

  • Limpieza: Las notificaciones duplicadas se gestionan mediante deduplicación basada en claves. Las variables con unidades incompatibles o codificación a través de los años se armonizan.
  • Datos Faltantes: Se evalúa el mecanismo de ausencia de datos antes de la imputación. La Imputación Múltiple por Ecuaciones Encadenadas (MICE) es la estrategia principal, utilizando la imputación de mediana/moda para el análisis de sensibilidad.
  • Preprocesamiento: Las variables categóricas se codifican mediante one-hot encoding; las variables continuas se estandarizan. Las variables temporales (mes, semana epidemiológica) se transforman utilizando funciones seno y coseno para preservar la estacionalidad.
  • Selección de Características: Se emplea una combinación de enfoques de filtrado y métodos embebidos (por ejemplo, LASSO, Elastic Net). Se utilizan estrategias de envoltorio (wrapper) para algoritmos que carecen de selección interna.

• Estrategia de Modelado:

  • Algoritmos: El estudio compara modelos de regresión regularizada contra algoritmos de aprendizaje supervisado, incluyendo ensambles basados en árboles (Random Forest) y métodos de gradient boosting. Se evalúa un ensamble de apilamiento (stacking) como análisis exploratorio.
  • Desbalance de Clases: Se aborda principalmente mediante pesos de clase inversamente proporcionales a la frecuencia del desenlace para preservar la interpretación de las probabilidades predichas como riesgos absolutos. Las técnicas de remuestreo se restringen a los análisis de sensibilidad dentro de los pliegues de entrenamiento únicamente.
  • Validación: La estrategia de validación primaria es temporal, entrenando en años anteriores y probando en periodos subsecuentes dentro de la ventana 2017–2025 para simular el uso prospectivo y detectar el desplazamiento temporal (temporal drift). Se explora la validación geográfica si la estructura de los datos lo permite.

• Métricas de Evaluación:

  • Discriminación: AUROC, AUC-PR, sensibilidad, especificidad, VPP, VPN y F1-score.
  • Calibración: Calibración en la totalidad (calibration-in-the-large), pendiente de calibración, puntuación de Brier y cinturones de calibración.
  • Utilidad Clínica: Análisis de la curva de decisión.
  • Interpretabilidad: Análisis SHAP (SHapley Additive exPlanations) para modelos basados en árboles.

Contribuciones Clave

• Separación de Desenlaces: El protocolo desacopla explícitamente el modelado de hospitalización y mortalidad, asegurando que los predictores sean temporalmente apropiados para el punto de decisión específico (pre-admisión vs. post-admisión).
• Validación Rigurosa: Al priorizar la validación temporal sobre la simple división aleatoria, el estudio busca evaluar la estabilidad del rendimiento del modelo a través de diferentes ciclos epidémicos y cambios de serotipo.
• Evaluación Integral: El estudio va más allá de las métricas de discriminación (AUROC) para enfatizar la calibración y la utilidad clínica, reconociendo que un modelo altamente discriminativo pero mal calibrado puede conducir a decisiones clínicas inapropiadas.
• Reproducibilidad: El pipeline se implementa como código de fuente abierta dentro del marco RAPID, incluyendo scripts para reconstruir el conjunto de datos a partir de archivos públicos de SINAN, asegurando la plena reproducibilidad sin necesidad de acceso a datos restringidos.

Resultados
Dado que este documento es un protocolo de estudio, no reporta resultados empíricos, métricas de rendimiento de modelos ni hallazgos específicos. El documento detalla el plan para generar dichos resultados, incluyendo los algoritmos específicos, las estrategias de validación y las métricas que se utilizarán en el análisis final.

Significancia y Reivindicaciones
Los autores afirman que este protocolo aborda brechas metodológicas críticas en la literatura de predicción del dengue mediante:

1. Mejora de la Consistencia Clínica: Al separar los desenlaces, los modelos resultantes están mejor adaptados para tareas clínicas específicas (triaje vs. monitoreo de deterioro) en lugar de ofrecer una puntuación de "gravedad" genérica.
2. Mejora de la Fiabilidad: A través del cumplimiento estricto de los estándares TRIPOD+AI y PROBAST+AI, el estudio busca producir modelos con un menor riesgo de sesgo, particularmente respecto a los datos faltantes y el sobreajuste (overfitting).
3. Garantía de Estabilidad Temporal: El enfoque de validación temporal está diseñado para probar si los modelos siguen siendo efectivos a medida que cambian las características epidémicas, un factor frecuentemente omitido en estudios previos.
4. Provisión de un Marco de Referencia: Al documentar el pipeline mediante RAPID y compartir el código de fuente abierta, el estudio pretende servir como un modelo reutilizable para el modelado predictivo en otras enfermedades infecciosas y contextos de vigilancia.

Los autores declaran explícitamente que no asumen la superioridad automática de los métodos complejos de aprendizaje automático sobre la regresión logística; la selección del modelo final será impulsada por el rendimiento validado, la calibración, la parsimonia y la interpretabilidad, en lugar de ganancias marginales en la discriminación.