Probabilistic Risk Stratification and Transition-Sensitive Explainability for Attorney Involvement in Workers' Compensation Claims

Resumen Técnico: Estratificación de Riesgo Probabilístico y Explicabilidad Sensible a la Transición para la Intervención de Abogados en Reclamaciones de Compensación para Trabajadores

Planteamiento del Problema
La intervención de abogados en las reclamaciones de compensación para trabajadores es un desafío operativo crítico, asociado consistentemente con un aumento en los tiempos de resolución, mayores costos y complejidad administrativa. La investigación previa ha tratado predominantemente la representación legal como un resultado binario (intervención frente a no intervención) y se ha basado en análisis estadísticos retrospectivos que asumen un mecanismo de escalada uniforme en todas las reclamaciones. Este enfoque binario no logra capturar la naturaleza heterogénea de la evolución de las reclamaciones, donde los riesgos varían significamente a través de la población, y ofrece una guía limitada para la priorización operativa. Además, las aplicaciones de aprendizaje automático existentes en este dominio suelen priorizar la precisión de la clasificación sobre la fiabilidad de las estimaciones de probabilidad, descuidando la necesidad de puntuaciones de riesgo bien calibradas que puedan sustentar estrategias de clasificación continua e intervención temprana.

Metodología
El estudio propone un marco analítico integrado que modela la intervención de abogados como un proceso de riesgo probabilístico en lugar de una tarea de clasificación fija. La metodología avanza a través de las siguientes etapas:

1. Construcción de Datos y Cohorte: El análisis utiliza la base de datos Structured and Textual Records for Injury Data Exploration (STRIDE), centrándose en una cohorte filtrada de 48,130 reclamaciones de tiempo perdido (excluyendo reclamaciones de solo atención médica) de 32 estados. Para asegurar la validez prospectiva y evitar la fuga de datos (target leakage), el modelo utiliza únicamente variables disponibles en las etapas tempranas del ciclo de vida de la reclamación (p. ej., descriptores de la lesión, demografía, jurisdicción, datos salariales iniciales), excluyendo explícitamente variables de post-escalada como identificadores legales, costos finales y fechas de cierre.
2. Modelado Probabilístico: Se emplea un clasificador CatBoost como el principal marco de modelado debido a su capacidad nativa para manejar variables categóricas y sus capacidades de ordered boosting. El modelo está entrenado para emitir estimaciones de probabilidad continua de la intervención de abogados en lugar de etiquetas de clase binarias. El ajuste de hiperparámetros se realiza mediante validación cruzada estratificada de cinco pliegues en el conjunto de entrenamiento, optimizando el ROC-AUC.
3. Evaluación del Modelo: El rendimiento se evalúa en un conjunto de prueba independiente utilizando métricas de discriminación (ROC-AUC, PR-AUC) y métricas de calibración (Puntuación de Brier, Error de Calibración Esperado - ECE). Esto asegura que las probabilidades predichas no solo sean consistentes en su clasificación, sino también estimaciones estadísticamente fiables de la frecuencia de riesgo.
4. Estratificación de Riesgo: En lugar de aplicar un umbral de decisión fijo, las reclamaciones se particionan en tres regímenes de riesgo basados en su posición de rango: Riesgo bajo (el 20% inferior), Riesgo medio (el 60% central) y Riesgo alto (el 20% superior). Estos regímenes sirven como estratos analíticos para investigar cómo los mecanismos de riesgo difieren a lo largo del espectro.
5. Marco de Explicabilidad:
   • Explicabilidad Global: Se computan los valores SHAP (Shapley Additive Explanations) para identificar la importancia global de las variables. La robustez se verifica mediante comparaciones entre modelos con XGBoost, Random Forest, Extra Trees y Árboles de Decisión.
   • Explicabilidad Condicionada al Régimen: El análisis SHAP se realiza por separado dentro de cada régimen de riesgo para descubrir cómo las contribuciones de las variables (magnitud y dirección) varían entre los grupos de riesgo bajo, medio y alto.
   • Análisis Orientado a la Transición: Un marco de sensibilidad de frontera distingue entre reclamaciones "frontera" (aquellas cerca de los límites de los regímenes) y reclamaciones "estables" (aquellas profundamente situadas dentro de un régimen). Al comparar los valores SHAP entre estos grupos, el estudio identifica las variables que impulsan las transiciones entre niveles de riesgo (p. ej., Bajo $\to$ Medio, Medio $\to$ Alto, y desescalada Medio $\to$ Bajo).

Resultados Clave

• Rendimiento del Modelo: El modelo CatBoost demuestra una fuerte discriminación (ROC-AUC de prueba: 0.7540; PR-AUC: 0.7148) y una excelente calibración (Puntuación de Brier: 0.1988; ECE: 0.0114), confirmando que las salidas de probabilidad son fiables para la clasificación de riesgo.
• Impulsores Globales: Los predictores más influyentes identificados globalmente incluyen age_at_hire (edad al contratar), injury_severity (severidad de la lesión), age_at_injury (edad en el momento de la lesión), bdyprt_desc (descripción de la parte del cuerpo) y juris_st (jurisdicción estatal). El análisis entre modelos confirma que estas clasificaciones son estables a través de diferentes algoritmos de árboles.
• Efectos Heterogéneos de las Variables: El análisis condicionado al régimen revela que los efectos de las variables no son uniformes. Por ejemplo, la injury_severity actúa como un contribuyente negativo (reductor de riesgo) en el régimen de bajo riesgo, se vuelve neutral en el régimen de riesgo medio y se convierte en un fuerte impulsor positivo (aumentador de riesgo) en el régimen de alto riesgo.
• Dinámicas de Transición: El análisis de frontera revela mecanismos asimétricos para la escalada y desescalada de riesgo:
  • Transición Bajo $\to$ Medio: Impulsada principalmente por juris_st (jurisdicción) e injury_severity, donde las reclamaciones de frontera exhiben contribuciones reductoras de riesgo más débiles en comparación con las reclamaciones estables de bajo riesgo.
  • Transición Medio $\to$ Alto: Dominada por injury_severity y juris_st, donde las reclamaciones de frontera muestran un cambio distintivo hacia contribuciones positivas de estas variables clínicas e institucionales.
  • Transición Medio $\to$ Bajo (Desescalada): Caracterizada por una reducción amplia en las contribuciones de riesgo en múltiples variables (incluyendo parte del cuerpo y variables de antigüedad), involucrando a menudo reversiones de signo, en lugar de un único impulsor dominante.
• Distribución de Errores: La clasificación errónea no es uniforme; el régimen de riesgo medio contiene la mayor concentración tanto de falsos positivos como de falsos negativos, lo que indica que funciona como un corredor de transición con mayor incertidumbre estructural.

Significancia y Contribuciones
El artículo reclama cinco contribuciones primarias al campo de la analítica de compensación para trabajadores y el aprendizaje automático:

1. Reencuadre del Problema: Cambia la perspectiva de la intervención de abogados de un problema de clasificación binaria a un problema de clasificación de riesgo probabilístico alineado con las necesidades de la toma de decisiones operativas.
2. Rigor Probabilístico: Incorpora la calibración del modelo y la evaluación probabilística (Puntuación de Brier, ECE) para asegurar que las puntuaciones de riesgo sean estimaciones fiables de la probabilidad de escalada, no solo clasificadores de rango.
3. Validación Robusta de Variables: Verifica la estabilidad de los predictores clave a través de múltiples algoritmos de aprendizaje, confirmando que los impulsores identificados son estructurales y no artefactos específicos de un modelo.
4. Explicabilidad Estratificada por Riesgo: Introduce un marco para analizar los valores SHAP dentro de regímenes de riesgo específicos, revelando que los impulsores de la escalada cambian dependiendo de la etapa del riesgo (p. ej., la severidad de la lesión importa de forma distinta en reclamaciones de bajo vs. alto riesgo).
5. Análisis Centrado en la Frontera: Proporciona un análisis novedoso orientado a la transición de las reclamaciones cerca de los límites de los regímenes, demostrando que la escalada y la desescalada siguen mecanismos asimétricos. Esto ofrece una comprensión más matizada de cómo las reclamaciones se mueven a través del espectro de riesgo en comparación con los resúmenes globales estáticos.

El estudio concluye que el modelado de la litigación como un proceso de riesgo probabilístico con zonas de transición identificables proporciona una visión estructurada de la intervención de abogados, ofreciendo información accionable para la intervención dirigida y la asignación de recursos en los sistemas de compensación para trabajadores.