📄 health informatics

Forecasting laboratory measurements from longitudinal electronic health records

El artículo presenta LaBERT, un modelo basado en transformadores que supera significativamente a los métodos de referencia en la previsión de mediciones de laboratorio futuras a partir de registros electrónicos de salud longitudinales, al aprender eficazmente efectos de tratamiento clínicamente significativos y permitir el apoyo a la toma de decisiones clínicas personalizadas.

Autores originales: Firoozbakht, F., Baumabach, J.

Publicado 2026-08-13

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Firoozbakht, F., Baumabach, J.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que estás tratando de adivinar cómo estará el clima la próxima semana. Podrías simplemente mirar el cielo en este momento y decir: "Está soleado, así que probablemente estará soleado mañana". Ese es un buen intento, pero ignora el panorama general. ¿Qué pasa si un sistema de tormentas se aproxima desde el oeste? ¿Qué pasa si ha estado lloviendo durante tres días seguidos? Para acertar, necesitas observar toda la historia: el historial del clima, las tendencias de temperatura e incluso lo que los meteorólogos dijeron ayer.

En el mundo de la medicina, los médicos enfrentan un rompecabezas similar. Tienen el "reporte meteorológico médico" de un paciente, una larga lista de números y notas llamada Registros de Salud Electrónicos (EHR, por sus siglas en inglés). Estos registros rastrean cosas como resultados de análisis de sangre, medicamentos y cómo se siente un paciente a lo largo del tiempo. La gran pregunta es: ¿Podemos usar este historial desordenado y complicado para predecir cómo serán los indicadores de salud de un paciente en su próxima visita al médico? Si pudiéramos hacer esto, sería como tener una bola de cristal que ayuda a los médicos a detectar problemas antes de que ocurran, permitiéndoles ajustar los tratamientos justo a tiempo. Este es el desafío de "pronosticar" la salud del paciente, y es complicado porque cada cuerpo reacciona de manera diferente, y los datos suelen ser desordenados y llenos de vacíos.

Aquí entra LaBERT, un nuevo cerebro computacional diseñado por los investigadores Farzaneh Firoozbakht y Jan Baumbach para resolver exactamente este rompecabezas. Piensa en LaBERT como un detective superinteligente que no solo mira la pista más reciente (el último análisis de sangre), sino que lee todo el expediente del caso. Este detective ha sido entrenado con una biblioteca masiva de registros médicos del mundo real de más de 255,000 pacientes, que contiene más de medio millón de visitas hospitalarias.

Así es como funciona LaBERT y lo que encontró:

El kit de herramientas del detective
La mayoría de los modelos computacionales intentan convertir el historial de un paciente en una simple lista de palabras, como un libro de cuentos. Pero LaBERT es diferente. Trata los diferentes tipos de datos médicos de su propia manera especial. Sabe que el nombre de un medicamento es diferente de un número de presión arterial. En lugar de comprimirlo todo en texto, utiliza un sistema especial de "traducción" que mantiene los números como números y los nombres de los fármacos como nombres, permitiendo que el modelo comprenda la forma única de cada pieza de información.

Crucialmente, LaBERT no solo mira una visita de forma aislada. Utiliza un sistema de "camino de la memoria". Imagina a un excursionista dejando una mochila en cada campamento. Cuando el excursionista llega al siguiente campamento, no solo mira el nuevo lugar; revisa las mochilas de todos los campamentos anteriores para ver dónde ha estado y hacia dónde podría ir. LaBERT hace esto combinando la visita actual con un "historial latente" de todas las visitas previas. Los investigadores probaron tres formas de cargar esta mochila: solo añadiendo la información antigua, usando una "puerta" para decidir cuánta información antigua conservar, o usando una celda de memoria compleja. Encontraron que el método de la "puerta" funcionaba mejor, permitiendo al modelo equilibrar de forma adaptativa lo que sucedió ayer con lo que está sucediendo hoy.

Los resultados: Mejor que lo básico
El equipo probó LaBERT contra algunos métodos más simples. Uno fue el enfoque de la "línea base", que simplemente asume que tu próximo análisis de sangre será exactamente igual al último. Otro fue un modelo computacional estándar (MLP) que no tenía las sofisticadas habilidades de "memoria" o "traducción".

Los resultados fueron claros: LaBERT ganó.

Redujo el error promedio en sus predicciones (Error Cuadrático Medio) de 0.77 a 0.53.
Mejoró su capacidad para explicar los cambios en la salud de un paciente (la puntuación R²) de 0.29 a 0.51.

Esto significa que LaBERT no solo está adivinando; realmente está aprendiendo la danza compleja entre la historia de un paciente, sus tratamientos y su salud futura.

¿Realmente entiende la medicina?
Para asegurarse de que LaBERT no estaba simplemente memorizando patrones sin entenderlos, los investigadores jugaron al "¿qué pasaría si?". Tomaron registros reales de pacientes y reemplazaron los medicamentos reales por otros falsos y aleatorios. Descubrieron que en el 81% de los casos, el modelo predijo el estado de salud futuro con mucha más precisión cuando utilizó los medicamentos reales que cuando utilizó los falsos. Esto sugiere que LaBT ha aprendido que medicamentos específicos provocan cambios específicos en el cuerpo.

Llevaron esto más allá con un experimento "contrafáctico". Le preguntaron al modelo: "Si este paciente tomó Warfarina (un anticoagulante), ¿qué sucede con su INR (un número de coagulación sanguínea)?" y "¿Si tomó Heparina, qué sucede con su PTT?".

Cuando el modelo vio Warfarina, predijo un aumento en el INR el 100% de las veces a través de diferentes ejecuciones de prueba.
Cuando vio Heparina, predijo un aumento en el PTT en el 82% al 89% de las ejecuciones.

Estos resultados se mantuvieron constantes, ya fuera que el modelo estuviera prediciendo el estado de salud 0.5 días después o 30 días después. Esto demuestra que el modelo ha aprendido reglas médicas reales y establecidas, no solo ruido aleatorio.

Lo que LaBERT NO hace
Es importante notar lo que este modelo no hace. Los investigadores declaran explícitamente que LaBERT aprende de datos observacionales: lo que realmente sucedió en los hospitales. No demuestra la causalidad. Por ejemplo, el modelo puede predecir que los pacientes que toman insulina tienen un azúcar en sangre más alto después. Esto no es porque la insulina eleve el azúcar en sangre (de hecho, la baja); es porque los médicos administran insulina a pacientes que ya tienen un azúcar en sangre muy alto. El modelo reproduce fielmente este patrón del mundo real, pero no sabe mágicamente la causa biológica y el efecto a menos que se le indique. Los autores advierten que estas predicciones son "pronósticos observacionales", no verdades causales absolutas, y deben usarse para apoyar, no para reemplazar, el juicio de un médico.

La conclusión
LaBERT es una nueva y poderosa herramienta que muestra que podemos usar la larga y desordenada historia de la vida de un paciente para predecir sus futuros indicadores de salud con una precisión sorprendente. Al tratar el tiempo, los medicamentos y los resultados de laboratorio como una historia conectada en lugar de una lista de hechos aislados, ofrece un vistazo a un futuro donde los médicos pueden simular diferentes caminos de tratamiento y elegir aquel que tenga más probabilidades de mantener sanos a sus pacientes. Aunque no es una varita mágica que resuelve todos los misterios médicos, es un paso significativo hacia una medicina personalizada y con visión de futuro.

Resumen Técnico: LaBERT para la previsión de mediciones de laboratorio a partir de EHR longitudinales

Planteamiento del problema

La previsión de las futuras mediciones de laboratorio de un paciente a partir de Registros de Salud Electrónicos (EHR) longitudinales es un desafío crítico en la medicina personalizada, que ofrece un potencial apoyo para el seguimiento de enfermedades y la planificación de tratamientos. Sin embargo, la predicción precisa se ve obstaculizada por las trayectorias clínicas complejas y altamente individualizadas de los pacientes, que implican interacciones no lineales entre la progresión de la enfermedad, las intervenciones terapéuticas y la historia individual. Si bien los avances recientes en aprendizaje profundo han abordado la predicción de eventos discretos (por ejemplo, mortalidad, puntuaciones de riesgo) y la previsión a corto plazo en la UCI, existe una brecha significativa en los métodos capaces de pronosticar mediciones de laboratorio continuas en visitas clínicas posteriores y dispersas. Los enfoques existentes como LabTOP están limitados a datos de alta densidad en la UCI y horizontes de corto plazo, careciendo de aplicabilidad a la naturaleza irregular y dispersa de los datos longitudinales generales de hospitales y consultas externas.

Metodología

Conjunto de datos y preprocesamiento

El estudio utilizó la base de datos MIMIC-IV, que comprende datos longitudinales desidentificados de 299,712 pacientes en 431,231 admisiones hospitalarias (2008–2019). El conjunto de datos se procesó al formato Medical Event Data Standard (MEDS), organizando los datos en secuencias de eventos clínicos ordenadas cronológicamente por visita.

Características: El modelo ingirió 50 características, incluyendo datos demográficos estáticos, diagnósticos (ICD-9/10), procedimientos (ICD-9/10-PCS), medicamentos (nombres genéricos), signos vitales y 44 mediciones de laboratorio continuas (seleccionadas por tener una cobertura ≥20%).
Construcción de secuencias: Cada visita del paciente fue tratada como una secuencia de tokens con una longitud de contexto fija de 250.
Normalización: Las variables continuas se sometieron a una transformación logarítmica para corregir la asimetría, recorte de valores atípicos (1 MAD) y estandarización a media cero y varianza unitaria. Los intervalos de tiempo ( $\Delta t$ ) entre visitas se transformaron logarítmicamente y se escalaron al rango [0, 1].
Cohorte: El conjunto de datos final incluyó 583,535 visitas de 255,769 pacientes, con una división de entrenamiento/validación/prueba de 70/15/15.

Arquitectura del Modelo: LaBERT

LaBERT es un marco basado en Transformers diseñado para pronosticar valores de laboratorio continuos en un punto de tiempo futuro ( $t + \Delta t$ ) dado el estado actual y la historia del paciente.

Representación Clínica Heterogénea:
- Variables discretas (diagnósticos, medicamentos, procedimientos) se mapean mediante incrustaciones de búsqueda (lookup embeddings) aprendibles.
- Variables continuas (valores de laboratorio, signos vitales, intervalos de tiempo) se proyectan en el espacio de incrustación mediante capas lineales dedicadas.
- Tokenización consciente de las características: A diferencia de los transformers estándar que utilizan incrustaciones posicionales para codificar el orden, LaBERT asigna incrustaciones específicas de cada característica aprendibles a cada tipo de token. Esto permite que variables heterogéneas se modelen conjuntamente dentro de una arquitectura de autoatención unificada, independientemente de su orden secuencial.
Modelado de la Historia Longitudinal:
Para capturar dependencias a través de múltiples visitas, LaBERT propaga un estado de historia latente ( $H_t$ ) utilizando un mecanismo recurrente de compuerta (gated). El modelo evaluó tres estrategias de integración:
- Aditiva: Proyección lineal de la historia añadida a la representación de la visita actual.
- De compuerta (Gated): Una compuerta sigmoidea equilibra adaptativamente la información pasada y presente.
- Basada en LSTM: Estados ocultos y de celda explícitos con compuertas de entrada, olvido y salida.
  El mecanismo de integración de compuerta fue identificado como el enfoque óptimo, superando a los otros.
Previsión Condicionada al Tiempo:
El modelo incorpora explícitamente el intervalo de tiempo ( $\Delta t$ ) entre la visita actual y la futura como un token de entrada, lo que permite predicciones a través de horizontes temporales arbitrarios en lugar de intervalos fijos.
Objetivo de Entrenamiento:
El modelo minimiza el Error Cuadrático Medio (MSE) entre los valores de laboratorio predichos y observados para la siguiente visita clínica.

Resultados Clave

Rendimiento Predictivo

Evaluado en 583,535 visitas, LaBERT superó consistentemente a tres métodos de referencia:

Vs. Última Observación Llevada Adelante (LOCF): LaBERT redujo el MSE de 0.76 a 0.55 (~28% de reducción) y mejoró el coeficiente de determinación ( $R^2$ ) de 0.30 a 0.50.
Vs. Perceptrón Multicapa (MLP): LaBERT redujo el MSE de 0.60 a 0.55 y mejoró el $R^2$ de 0.45 a 0.50, demostrando el valor del modelado de secuencias y los mecanismos de atención.
Vs. LabTOP: Al adaptarlo al mismo entorno de predicción, LaBERT superó significativamente al modelo basado en GPT-2, LabTOP, mejorando el $R^2$ de -3.7 (peor que predecir la media) a 0.77.

Contribuciones Longitudinales y Temporales

Integración de la Historia: La incorporación de la historia longitudinal mediante la integración de compuerta redujo aún más el MSE en un 3.4% en comparación con un modelo base sin historia, aumentando la correlación de Pearson global de 0.70 a 0.72.
Intervalo de Tiempo ( $\Delta t$ ): Eliminar $\Delta t$ como entrada aumentó el error de predicción, con una brecha que se amplió a medida que crecía el horizonte de predicción. Esto confirma que el modelo aprende representaciones temporalmente coherentes en lugar de depender únicamente de características estáticas.
Demografía: Los estudios de ablación mostraron que añadir edad, sexo y raza como tokens de entrada no mejoró el rendimiento, lo que sugiere que estos factores son en gran medida redundantes con la trayectoria clínica longitudinal capturada por el modelo.

Robustez y Significado Clínico

Frecuencia de Medición: El error de predicción (NRMSE) no mostró una correlación fuerte con la frecuencia de medición. La alta precisión fue impulsada por las correlaciones entre variables (por ejemplo, MCV/MCH) y la estabilidad temporal, no por la densidad de datos.
Perturbación de Medicamentos: En el 81% de las visitas, las predicciones utilizando los medicamentos originales fueron más precisas que aquellas utilizando conjuntos de medicamentos aleatorios, lo que indica que el modelo aprende información relacionada con el tratamiento.
Análisis Contrafactual: LaBERT reprodujo con éxito efectos farmacológicos establecidos en simulaciones controladas:
- Warfarin: Predijo un aumento en el INR en el 100% de las comparaciones a través de 11 semillas del modelo.
- Heparina: Predijo un aumento en el aPTT en el 82–89% de las comparaciones.
  Estos efectos fueron consistentes en horizontes de predicción que variaron de 0.5 a 30 días.

Significado y Reivindicaciones

Los autores posicionan a LaBERT como un marco fundamental para la simulación del estado del paciente dependiente del tratamiento y el soporte de decisiones clínicas personalizadas. Las afirmaciones clave incluyen:

Primer Marco Unificado: Según los autores, LaBERT es el primer método que combina representaciones clínicas heterogéneas, modelado de tokens consciente de las características, integración de la historia longitudinal explícita y previsión condicionada al tiempo dentro de un único marco de Transformer para predecir estados fisiológicos futuros.
Interpretabilidad Clínica: La capacidad del modelo para reproducir efectos farmacológicos conocidos (Warfarin-INR, Heparin-aPTT) en entornos contrafactuales demuestra que aprende asociaciones clínicamente significativas y dependientes del tratamiento a partir de datos observacionales.
Limitaciones y Causalidad: Los autores declaran explícitamente que LaBERT aprende asociaciones de los datos de EHR observacionales, no efectos causales. Advierten que el modelo puede replicar sesgos inherentes a la asignación de tratamientos (por ejemplo, "confusión por indicación", donde la insulina se prescribe a pacientes con glucosa más alta). Por lo tanto, las predicciones deben verse como pronósticos observacionales para complementar, no reemplazar, el juicio clínico o los ensayos prospectivos.
Dirección Futura: El artículo sugiere que integrar estas representaciones longitudinales con conocimiento biomédico estructurado (por ejemplo, grafos de conocimiento) podría mejorar la interpretabilidad y permitir simulaciones informadas biológicamente.

El trabajo establece un enfoque computacional robusto para la previsión de mediciones clínicas continuas, yendo más allá de la predicción de eventos discretos para proporcionar pronósticos cuantitativos y conscientes del tiempo de las trayectorias de los pacientes.