An Open, Reproducible Implementation of the CMS Hospital-Wide Readmission Measure on MIMIC-IV

Resumen Técnico: Una Implementación Abierta y Reproducible de la Medida de Reingreso Hospitalario de CMS en MIMIC-IV

Planteamiento del Problema
El reingreso hospitalario a los treinta días es un objetivo primario para el aprendizaje automático clínico, pero la gran mayoría de los estudios que utilizan el conjunto de datos MIMIC-IV dependen de una etiqueta "ingenua": cualquier reingreso dentro de 30 días. Esta definición no se alinea con la métrica real utilizada por los Centros de Servicios de Medicare y Medicaid (CMS) para evaluar hospitales: la medida de Reingreso en Todo el Hospital (HWR, por sus siglas en inglés). La etiqueta ingenua ignora distinciones de política críticas, específicamente la exclusión de reingresos planificados (p. ej., quimioterapia programada o procedimientos por etapas), la estratificación de pacientes en cohortes de especialidades específicas y la eliminación de ingresos no elegibles (p. ej., muertes intrahospitalarias o altas contra consejo médico). En consecuencia, los modelos entrenados con etiquetas ingenuas responden a una pregunta diferente y menos relevante para las políticas que la que enfrentan los hospitales.

Metodología
El estudio presenta una implementación de código abierto de extremo a extremo de la medida HWR de CMS en MIMIC-IV v3.1 (módulos hosp e icu) y MIMIC-IV-Note v2.2. La metodología se centra en la construcción de una cohorte "fiel" y en la evaluación de un modelo base frente a esta definición rigurosa.

• Construcción de la Cohorte: Partiendo de 546,028 hospitalizaciones, los autores aplicaron una cascada de exclusiones para alcanzar una cohorte final de 192,879 ingresos índice (99,285 pacientes únicos). Las exclusiones incluyeron ingresos previos a ICD-10, tratamiento de cáncer, atención psiquiátrica, rehabilitación, maternidad, muerte intrahospitalaria, hospicio, alta contra consejo médico y traslados. Los ingresos restantes fueron asignados a una de cinco cohortes de especialidad mutuamente excluyentes (medicina, cirugía/ginecología, cardiorrespiratorio, cardiovascular, neurología) basándose en el servicio de alta y los procedimientos.
• Definición de la Etiqueta (Fiel vs. Ingenua): La etiqueta "fiel" se adhiere estrictamente al Algoritmo de Reingreso Planificado de CMS v4.0. Un ingreso solo se cuenta como un evento de reingreso si es no planificado. Los reingresos planificados se identifican mediante una lista específica de procedimientos y diagnósticos, a menos que sean anulados por un diagnóstico agudo descalificador.
• Ingeniería de Características: Las características se derivaron estrictamente de los datos disponibles en o antes del alta (corrección en el punto en el tiempo) para evitar la fuga de datos (data leakage). El conjunto de características incluye 252 columnas distribuidas en ocho grupos: datos administrativos/demográficos, paneles de laboratorio, constantes vitales ambulatorias, constantes vitales de UCI, medicamentos, procedimientos, cohortes de especialidad y comorbilidades (codificadas mediante un codificador de 31 indicadores Quan-Elixuser).
• Modelado: Un HistGradientBoostingClassifier (scikit-learn) sirvió como modelo base. Las probabilidades fueron calibradas mediante regresión isotónica. La evaluación utilizó 5-fold GroupKFold (agrupado por subject_id) para prevenir la fuga de datos a nivel de paciente.
• Ablación de GenAI: Para probar el valor del texto no estructurado, los resúmenes de alta se integraron mediante embeddings de Amazon Titan Text Embeddings v2, reducidos mediante PCA y fusionados con la base estructurada.

Resultados Clave

• Desplazamiento de la Etiqueta: En el mismo conjunto de 192,879 ingresos índice, la tasa de reingreso a los 30 días cayó del 17.6% (definición ingenua) al 15.9% (definición fiel de HWR). Este desplazamiento de 1.7 puntos porcentuales altera fundamentalmente el equilibrio de clases y los objetivos de calibración.
• Rendimiento del Modelo: El modelo base calibrado logró un ROC-AUC de 0.7305 y un PR-AUC de 0.3726. El modelo estuvo bien calibrado (Brier score 0.1186) y demostró un beneficio neto positivo en el análisis de curva de decisión.
• Importancia de las Características: El análisis SHAP reveló que el poder predictivo del modelo es impulsado principalmente por la utilización previa (longitud de estancia previa acumulada, días desde el último alta, número de ingresos previos) e indicadores de agudeza. Los atributos demográficos (sexo, estado civil, seguro) también ocuparon puestos altos.
• Hallazgos de GenAI: La adición de embeddings de resúmenes de alta a la base estructurada no resultó en una mejora significativa. El ROC-AUC aumentó solo marginalmente (de 0.7304 a 0.7312 en la cohorte completa), una diferencia dentro del ruido de cada iteración (fold-to-fold noise). Esto indica que, para este objetivo específico, las señales de utilización previa estructurada dominan, y los embeddings de las notas de alta son redundantes.
• Equidad y Deriva: La discriminación se mantuvo constante a través de los subgrupos de raza, seguro y especialidad. Sin embargo, el análisis de deriva temporal (Índice de Estabilidad de la Población) señaló cambios significativos en 11 características entre el periodo 2020–2022 y años anteriores, atribuidos a las disrupciones de la era COVID.

Significancia y Reivindicaciones
El artículo afirma que su contribución principal no es un clasificador novedoso, sino una implementación de referencia reutilizable y reproducible de una etiqueta clínicamente significativa. Al liberar la lógica de la cohorte, las listas de códigos del Algoritmo de Reingreso Planificado de CMS v4.0, el codificador de comorbilidades y la especificación de características, los autores buscan reducir la barrera para que los investigadores adopten la etiqueta "fiel" sobre la "ingenua".

El trabajo destaca un problema recurrente de validez de constructo en el aprendizaje automático médico: optimizar para una etiqueta que no coincide con la realidad de la política. Los autores afirman que el resultado "negativo" de la GenAI es, en sí mismo, informativo, sirviendo como contrapeso a la suposición de que los embeddings de los modelos de lenguaje extensos mejoran automáticamente las bases clínicas. El estudio concluye que, para el reingreso de todas las condiciones, la señal está fuertemente concentrada en la utilización previa y la agudeza, y que el costo de implementar la etiqueta correcta y alineada con la política es ahora comparable al costo de usar la etiqueta ingenua.

Limitaciones
Los autores señalan que el estudio es de un solo centro (BIDMC vía MIMIC-IV) y retrospectivo, lo que impide realizar afirmaciones de validez externa. La implementación es fiel a la lógica de CMS, pero no está certificada por CMS ni estandarizada por riesgo para la comparación de hospitales. Además, la restricción a la era ICD-10 reduce el tamaño de la muestra, y la cobertura de los resúeneres de alta se limita aproximadamente al 50% de los ingresos.