Explainable Machine Learning for Diabetes Risk Prediction: Development of a Baseline Predictive Engine for the Wo’tosuga Digital Health Platform Targeting African Populations

Resumen Técnico: Aprendizaje Automático Explicable para la Predicción del Riesgo de Diabetes en la Plataforma Wo'tosuga

Planteamiento del Problema
La diabetes mellitus representa una crisis de salud pública en rápida escalada en el África subsahariana, con un estimado del 54% de los individuos afectados sin diagnosticar. El cribado convencional basado en laboratorios (por ejemplo, glucosa plasmática en ayunas, HbA1c) es a menudo inaccesible debido a limitaciones infraestructurales, financieras y geográficas. Si bien el aprendizaje automático (ML) ofrece una alternativa escalable y no invasiva utilizando variables de autoinforme, los modelos predictivos existentes sufren de dos limitaciones críticas:

1. Generalizabilidad de los Datos: La mayoría de los modelos se entrenan con conjuntos de datos de América del Norte o Europa (por ejemplo, Pima Indian, US BRFSS), lo que limita su aplicabilidad a las poblaciones africanas debido a diferencias en la distribución de los factores de riesgo y las características fenotípicas.
2. Métricas de Evaluación: La literatura se basa predominantemente en la precisión general o el AUC-ROC, que son inapropiados para tareas de cribado desequilibradas. En entornos de bajos recursos, la prioridad clínica es maximizar la sensibilidad (identificar a los individuos realmente en riesgo) para prevenir diagnósticos omitidos, en lugar de maximizar la precisión, que a menudo favorece a la clase mayoritaria.

Metodología
Este estudio establece un motor predictivo de línea base de Fase 1 para la plataforma de salud digital Wo'tosuga utilizando un flujo de trabajo riguroso y reproducible:

• Fuente de Datos: El estudio utilizó tres ciclos (2019, 2021, 2023) del Sistema de Vigilancia de Factores de Riesgo Conductual (BRFSS) de EE. UU., obteniendo un conjunto de datos analíticos de 869,319 encuestados.
• Preprocesamiento:
  • Selección de Características: Se retuvieron 21 variables predictivas tras eliminar las variables con >50% de valores faltantes.
  • Recodificación del Objetivo: Los casos prediabéticos se reclasificaron como diabéticos (clase positiva) para alinearse con el objetivo clínico de señalar a todos los individuos en riesgo para su intervención.
  • Desequilibrio de Clases: El conjunto de datos exhibió un desequilibrio de aproximadamente 5.4:1 (84.4% no diabéticos vs. 15.6% diabéticos). En lugar de un sobremuestreo sintético (SMOTE), el estudio empleó aprendizaje sensible al costo (por ejemplo, class_weight='balanced', scale_pos_weight) para preservar las distribuciones de probabilidad naturales.
  • Ingeniería de Características: Las variables categóricas (estado civil/laboral) se colapsaron para mejorar la interpretabilidad; se derivó una variable de nivel socioeconómico para que fuera transferible a contextos no estadounidenses.
• Desarrollo del Modelo:
  • Se evaluaron ocho algoritmos: Regresión Logística, Árbol de Decisión, Extra Trees, Gradient Boosting, AdaBoost, XGBoost, LightGBM y K-Nearest Neighbors.
  • Optimización: El ajuste de hiperparámetros se realizó mediante GridSearchCV con validación cruzada de 3 pliegues (3-fold), optimizando explícitamente para la sensibilidad (recall).
  • Evaluación: La sensibilidad se designó como la métrica principal, junto con la especificidad, PPV, NPV, F1-score, AUC-ROC y el puntaje Brier.
• Explicabilidad: Se calcularon los valores SHAP (SHapley Additive exPlanations) utilizando el algoritmo TreeExplainer para determinar la importancia global de las características y las contribuciones de las predicciones locales.

Resultos Clave

• Rendimiento del Modelo: LightGBM emergió como el algoritmo superior. Tras el ajuste de hiperparámetros y el reentrenamiento en el conjunto de datos completo, el modelo final logró:
  • Sensibilidad: 0.809 (80.9% de los diabéticos reales correctamente identificados).
  • Especificidad: 0.701.
  • AUC-ROC: 0.828.
  • Valor Predictivo Negativo (NPV): 0.952.
  • Nota: Aunque el Gradient Boosting logró un AUC-ROC similar (0.826), su sensibilidad fue críticamente baja (0.190), lo que lo hace clínicamente inadecuado para el cribado a pesar de su alta precisión.
• Comparadores: XGBoost (Sensibilidad: 0.806) y la Regresión Logística (Sensibilidad: 0.779) sirvieron como comparadores sólidos, sugiriendo que la señal predictiva en este conjunto de datos es capturada en gran medida por un pequeño conjunto de factores de riesgo linealmente separables.
• Importancia de las Características: El análisis SHAP identificó los cinco predictores principales, consistentes tanto en LightGBM como en la Regresión Logística:
  1. Edad
  2. Salud general autoinformada
  3. IMC (Índice de Masa Corporal)
  4. Estado de la presión arterial
  5. Tiempo desde el último chequeo médico
• Interpretabilidad: El modelo demostró patrones clínicamente coherentes (por ejemplo, aumento de riesgo monotónico con la edad y el IMC; relación inversa entre la calificación de salud general y el riesgo). Notablemente, la variable de nivel socioeconómico mostró una importancia insignificante, probablemente debido a la tosquedad de la métrica derivada.

Significancia y Reivindicaciones
El artículo posiciona este trabajo no meramente como un ejercicio de modelado predictivo, sino como la infraestructura fundacional para un bucle de investigación traslacional diseñado para abordar la "brecha de datos médicos africanos".

1. Utilidad Clínica como Herramienta de Triaje: El modelo se enmarca explícitamente como un instrumento de cribado y triaje, no como una herramienta de diagnóstico. El alto NPV (0.952) se destaca como la métrica más clínicamente significativa en entornos de bajo acceso, proporcionando tranquilidad fiable para los resultados negativos y permitiendo la priorización de los casos positivos para los escasos recursos de laboratorio.
2. El "Bucle de Investigación de Wo'tosuga": Los autores reconocen que entrenar exclusivamente con datos de EE. UU. es una limitación primaria. Sin embargo, reencuadran esto como la motivación central de la arquitectura de la plataforma. La plataforma Wo'tosuga integra un mecanismo de donación de datos anónimos, que permite a los usuarios contribuir con sus factores de riesgo y predicciones. Esto crea un ciclo de automejora donde la línea base entrenada en EE. UU. permite el despliegue inmediato, mientras que las interacciones de los usuarios resultantes generan los datos específicos de África necesarios para reentrenar y validar futuras iteraciones del modelo.
3. Rigor Metodológico: El estudio enfatiza la importancia crítica de la selección de métricas en la IA clínica. Al priorizar la sensibilidad sobre la precisión, la investigación demuestra que los modelos que parecen "competitivos" bajo estándares convencales pueden ser clínicamente peligrosos si no logran detectar a la mayoría de los individuos en riesgo.

En conclusión, el artículo establece una línea base reproducible y explicable (LightGBM, Sensibilidad ~0.81, NPV ~0.95) para la estratificación del riesgo de diabetes. Su contribución principal es el diseño arquitectónico de una plataforma de salud digital que funciona simultáneamente como una herramienta de cribado clínico y un motor de recolección de datos para cerrar progresivamente la brecha en los datos de salud específicos de África.