Clinical Readiness of Machine-Learning Risk Models in Non-Variceal Upper Gastrointestinal Bleeding: A Systematic Review and Network Meta-Analysis

Resumen Técnico: Preparación Clínica de Modelos de Riesgo de Aprendizaje Automático en Hemorragia Digestiva Alta No Variceal

Planteamiento del Problema
La estratificación del riesgo es crítica para el manejo de la hemorragia digestiva alta no variceal (HDAN), guiando las decisiones sobre el alta de la sala de emergencias (SE), la admisión en la UCI, la temporalidad de la endoscopia y la transfusión. Aunque las puntuaciones clínicas convencionales (CCS, por sus siglas en inglés), como la Escala de Glasgow-Blatchford (GBS), AIMS65 y Rockall, son el estándar, su rendimiento varía entre cohortes. Durante la última década, se han propuesto numerosos modelos de aprendizaje automático (ML) (p. ej., ensambles de árboles, redes neuronales, arquitecturas de aprendizaje profundo), que a menudo reportan mejoras en el Área Bajo la Curva de Característica Operativa del Receptor (AUROC) de 0.05 a 0.30 respecto a las CCS. Sin embargo, la evidencia sobre su generalizabilidad, validación externa y preparación para la implementación clínica en la HDAN permanece fragmentada. Las comparaciones existentes suelen carecer de análisis directos frente a un amplio espectro de puntuaciones establecidas, y la certeza de la evidencia sobre la superioridad del ML no ha sido evaluada formalmente mediante marcos como GRADE.

Metodología
Este estudio es una revisión sistemática y un metaanálisis de red (NMA) registrado en PROSPERO (CRD420261405871).

• Fuentes de Datos: Los autores buscaron en PubMed/MEDLINE, EMBASE, Cochrane CENTRAL, Web of Science y KoreaMed hasta el 10 de junio de 2026.
• Selección: De 952 registros, 26 estudios cumplieron con los criterios de inclusión, contribuyendo a un escenario analítico primario (S2) y cuatro escenarios exploratorios (S1: triaje en SE, S3: resangrado a los 7 días, S4: mortalidad en UCI, S5: transfusión a las 24 horas).
• Marco Analítico:
  • NMA: Se utilizó un marco frecuentista de efectos aleatorios para comparar algoritmos de ML contra CCS. La red primaria (S2) se centró en resultados adversos de alto riesgo (mortalidad, eventos compuestos o intervenciones mayores).
  • Heterogeneidad y Sesgo: El riesgo de sesgo se evaluó mediante PROBAST, y la integridad del reporte mediante TRIPOD+AI. La heterogeneidad se cuantificó mediante $I^2$ y $\tau^2$.
  • Adaptación de GRADE: Se aplicó un marco híbrido de GRADE (combinando conceptos de CINeMA, GRADE-NMA y GRADE-DTA) para calificar la certeza de la evidencia para cada comparación.
  • Evaluación de la Preparación: Se desarrolló un puntaje de Preparación Clínica (CRS) exploratorio para evaluar la preparación para la implementación basado en siete dominios: discriminación, calibración, validación, accesibilidad de datos, requisitos computacionales, interpretabilidad y completitud del reporte.
• Análisis de Sensibilidad: Los análisis se restringieron a modelos validados externamente, poblaciones estrictas de HDAN y estudios revisados por pares para evaluar la generalizabilidad.

Contribuciones Clave

1. Primer NMA de ML vs. CCS en HDAN: Este es el primer estudio que integra evidencia directa e indirecta para comparar modelos de ML contra múltiples puntuaciones convencionales en un marco unificado.
2. Cuantificación de la Certeza de la Evidencia: El estudio aplica una evaluación GRADE por comparación, revelando que, a pesar de las aparentes mejoras en el rendimiento, la certeza de la evidencia sobre la superioridad del ML es predominantemente "Muy Baja" a "Baja".
3. Identificación de la Brecha de Preparación: Los autores introducen un Puntaje de Preparación Clínica (CRS) para demostrar que una alta discriminación (AUROC) no equivale a la capacidad de despliegue clínico. El estudio destaca que la principal barrera para la implementación no es el rendimiento algorítmico, sino la falta de validación externa, el reporte de la calibración y el análisis de la curva de decisión.
4. Lista de Verificación Propuesta: Se propone una lista mínima de validación y reporte para futuros estudios de pronóstico de ML en HDAN, enfatizando la validación externa prospectiva, paneles de comparación de múltiples puntuaciones y un reporte transparente.

Resultos

• Discriminación: En comparaciones directas, los modelos de ML demostraron una mayor discriminación aparente que la Escala de Glasgow-Blatchford (GBS), con un $\Delta$AUROC agrupado de +0.148 (IC 95% +0.069 a +0.228). Los métodos de ensamble de árboles calificaron más alto en el análisis SUCRA (0.987).
• Validación Externa: Al restringirse a modelos validados externamente, la ventaja estimada del ML sobre la GBS se volvió imprecisa y cruzó el cero ($\Delta$AUROC +0.158, IC 95% −0.180 a +0.496).
• Heterogeneidad: Se observó una heterogeneidad extrema ($I^2 = 99\%$) en el grupo de todos los ML vs. GBS. La desagregación por clase de algoritmo no resolvió esto, lo que sugiere que el alcance de la población, el entorno de atención y las definiciones de los resultados contribuyen más a la variación que el tipo de algoritmo en sí mismo.
• Certeza de la Evidencia: Las calificaciones de GRADE por comparación fueron de "Muy Baja" a "Baja". Las degradaciones fueron impulsadas por un alto riesgo de sesgo (PROBAST MODERADO/ALTO en 21/26 estudios), limitaciones en el reporte (falta de gráficos de calibración y análisis de la curva de decisión), imprecisión e indirectividad de los resultados.
• Preparación: Ningún modelo alcanzó el umbral de "Prometedor para la implementación" (CRS $\ge$ 8.0). Los modelos con mayor puntaje (Li 2025 y Shung 2024) cayeron en la categoría de "Factible con reservas" (CRS 7.8 y 7.3, respectivamente).
• Estructura de la Red: La red de evidencia es dispersa y está fuertemente anclada a la GBS (7 de 10 aristas directas), lo que limita las comparaciones con otras puntuaciones contemporáneas como AIMS65, ABC o PNED.

Significancia y Reivindicaciones
El artículo concluye que, si bien los modelos de ML muestran una mayor discriminación aparente en entornos retrospectivos y de validación interna, la evidencia actual no respalda el reemplazo de las puntuaciones convencionales establecidas por el ML en el cuidado rutinario de la HDAN.

Los autores afirman que las ganancias observadas en la AUROC no se han traducido en evidencia clínicamente desplegable debido a:

1. Falta de Generalizabilidad: La validación externa no logra confirmar una ventaja consistente, probablemente debido al sobreajuste (overfitting) y a las diferencias en la composición de los casos.
2. Reporte Incompleto: Los componentes críticos para la utilidad clínica —calibración, análisis de la curva de decisión y validación externa— son frecuentemente omitidos.
3. Desequilibrio de Comparadores: La base de evidencia está dominada por comparaciones contra la GBS, dejando sin probar el rendimiento del ML frente a otras puntuaciones establecidas (p. ej., ABC, NEWS-2).

El estudio enfatiza que la discriminación por sí sola es insuficiente para los modelos de predicción. Hasta que se realicen estudios de validación externa prospectiva, calibración y de implementación, las puntuaciones convencionales apoyadas por el juicio clínico deben seguir siendo el estándar. Los autores posicionan su trabajo no como una validación de la superioridad del ML, sino como una auditoría rigurosa de la actual "brecha de preparación clínica", instando a la investigación futura a priorizar la validación externa prospectiva y los paneles de comparación de múltiples puntuaciones por encima de análisis adicionales de AUROC interna.