Structured-to-Narrative Representation Framework for Next-Day Discharge Prediction Using Structured EHR Data and Clinical Language Models

En el ritmo frenético de un hospital, el momento en que un paciente se marcha es tan crítico como el momento en que llega. Para los cirujanos y enfermeros, saber si un paciente que se ha sometido a una operación de columna programada estará listo para irse a casa al día siguiente es una información vital. Esto permite al equipo médico coordinar la atención, gestionar la disponibilidad de camas y asegurar que los recursos se utilicen de manera eficiente. Sin embargo, predecir este resultado es difícil porque cada paciente es diferente, y la recuperación depende de una compleja mezcla de factores: el tipo específico de cirugía realizada, la edad del paciente, su salud general y cómo su cuerpo responde al procedimiento. Tradicionalmente, las computadoras han intentado resolver esto analizando filas y columnas de datos: listas de números y códigos que representan resultados de laboratorio, diagnósticos y procedimientos. Si bien estos métodos funcionan bien, a menudo se sienten como una caja negra para los médicos que los utilizan, ofreciendo una predicción sin una explicación clara de por qué se tomó esa decisión.

Un equipo de investigadores de la Universidad de California, Irvine, ha explorado una nueva forma de cerrar esta brecha entre los datos brutos y la comprensión humana. Plantearon una pregunta sencilla: ¿qué pasaría si una computadora pudiera leer el historial médico de un paciente no como una hoja de cálculo de números, sino como una historia corta y clara? En su estudio, publicado en agosto de 2026, los investigadores desarrollaron un sistema que toma los datos estructurados de las historias clínicas electrónicas —como indicadores binarios de si se ordenó un análisis de laboratorio específico o si se realizó una cirugía específica— y los convierte automáticamente en oraciones de lenguaje sencillo. Luego, entrenaron un modelo computacional especializado para leer estas historias generadas y predecir si un paciente sería dado de alta al día siguiente. El objetivo no era solo acertar la respuesta, sino hacerlo de una manera que refleje cómo piensa un médico humano, observando la narrativa de la condición del paciente en lugar de puntos de datos aislados.

Los investigadores analizaron los registros de 1,958 adultos que se habían sometido a una cirugía de columna electiva en un gran centro médico en los Estados Unidos. Para cada paciente, recopilaron alrededor de 600 piezas de información diferentes, incluyendo edad, sexo, resultados de laboratorio y los códigos específicos de los procedimientos y diagnósticos involucrados. Excluyeron cuidadosamente detalles personales como la raza o el código postal para asegurar que el modelo se centrara únicamente en factores médicos. El equipo dividió estos datos en dos grupos para probar sus ideas. Primero, entrenaron modelos de aprendizaje automático estándar, que son como calculadoras potentes que buscan patrones en los números, para predecir el resultado. Segundo, construyeron un tipo diferente de modelo basado en una tecnología conocida como transformador (transformer), que está diseñada para comprender el lenguaje. Este segundo modelo nunca vio los números brutos; en su lugar, solo leyó las historias cortas generadas que describían la situación médica de cada paciente. Estas historias fueron creadas por un conjunto de reglas que convirtieron los puntos de datos en oraciones, tales como "El paciente tiene 65 años y se sometió a un procedimiento de fusión específico", omitiendo cualquier información sobre el resultado final para que el modelo tuviera que aprender a predecirlo por sí solo.

Cuando los investigadores compararon los resultados, los modelos de aprendizaje automático tradicionales demostraron ser los más precisos para distinguir entre los pacientes que se irían a casa y aquellos que se quedarían. Estos modelos lograron un alto nivel de discriminación, identificando correctamente el resultado en aproximadamente el 94 por ciento de los casos cuando se probaron en diferentes grupos de pacientes. También fueron muy buenos proporcionando estimaciones de probabilidad confiables, lo que significa que sus niveles de confianza coincidían con la realidad. El modelo que dependía de las historias narrativas, sin embargo, funcionó ligeramente peor en términos de precisión bruta, logrando una puntuación de discriminación de aproximadamente el 84 por ciento. No obstante, esta cifra inferior contaba solo parte de la historia. El modelo basado en la narrativa mostró una fortaleza diferente: fue mucho mejor detectando a los pacientes que sí serían dados de alta al día siguiente. Mientras que los modelos tradicionales a veces perdían de vista estos altas tempranas, el modelo de lectura de historias identificó con éxito alrededor del 75 por ciento de ellos. Esta es una distinción crucial en un entorno hospitalario, donde perder a un paciente que está listo para irse puede retrasar su atención y ocupar una cama innecesariamente.

El estudio también examinó de cerca cómo estos modelos tomaban sus decisiones para asegurar que estuvieran pensando como médicos. Para los modelos tradicionales, los investigadores utilizaron un método llamado análisis SHAP, que resalta qué puntos de datos específicos fueron más importantes para una predicción. Encontraron que los modelos identificaron correctamente que las cirugías más complejas, la edad avanzada y los resultados de laboratorio inestables eran las razones principales por las que un paciente permanecería más tiempo. Esto coincidía con lo que los expertos médicos ya sabían. Para el modelo narrativo, el razonamiento estaba integrado directamente en el texto que leía. Cuando el modelo predecía que un paciente se quedaría, la historia que había leído probablemente contenía detalles sobre una cirugía de múltiples niveles difícil o signos de estrés fisiológico. Cuando predecía un alta, la historia describía un procedimiento más simple con menos complicaciones. Este vínculo directo entre el texto de entrada y la decisión de salida hace que el razonamiento del modelo sea transparente y fácil de seguir para un clínico, a diferencia de los cálculos ocultos del enfoque tradicional.

Uno de los hallazgos más significativos del estudio fue que los modelos de lenguaje genéricos y preentrenados —aquellos que han leído vastas cantidades de texto general pero no datos médicos específicos— fallaron por completo en esta tarea. Cuando los investigadores intentaron usar estos modelos comerciales sin un entrenamiento especial, no pudieron aprender a distinguir entre los dos grupos de pacientes, a menudo adivinando al azar. Esto confirmó que, si bien los modelos de lenguaje son poderosos, necesitan ser enseñados específicamente a leer datos médicos para ser útiles en un hospital. Los investigadores demostraron que, al ajustar finamente un modelo específicamente con las historias de estructura-a-narrativa derivadas de sus datos de pacientes, podían crear un sistema que comprendiera los matices de la recuperación clínica. El modelo aprendió a reconocer que ciertas combinaciones de procedimientos y resultados de laboratorio, al ser descritas en una oración, conllevaban un significado específico sobre la preparación de un paciente para irse a casa.

Los investigadores concluyeron que, si bien los modelos de aprendizaje automático tradicionales siguen siendo la herramienta más precisa para la predicción pura, el enfoque basado en la narrativa ofrece una alternativa poderosa para el uso en el mundo real. En un hospital con mucho movimiento, una predicción es tan buena como la confianza que el equipo médico tenga en ella. Un sistema que explique su razonamiento en el mismo lenguaje que los médicos usan a diario —describiendo la condición de un paciente como una serie de eventos en lugar de una lista de códigos— es más probable que sea adoptado y confiado. El estudio sugiere que transformar los datos estructurados en historias no solo hace que el resultado sea más fácil de leer; fundamentalmente cambia la forma en que la computadora procesa la información, alineando su lógica más estrechamente con el razonamiento clínico humano. Este enfoque proporciona un camino a seguir para integrar la inteligencia artificial en los flujos de trabajo diarios de los hospitales, donde el objetivo no es solo predecir el futuro, sino hacerlo de una manera que ayude a los médicos a tomar mejores y más informadas decisiones para sus pacientes.