Spatial Transferability of Explainable Machine Learning for Predicting Pre-Treatment Tuberculosis Loss to Follow-up Across West Java Districts

Cada año, millones de personas en todo el mundo son diagnosticadas con tuberculosis, una grave infección bacteriana que ataca los pulmones. El sistema médico tiene un camino claro a seguir: una vez que una persona es diagnosticada, debe comenzar a tomar medicamentos de inmediato. Sin embargo, existe una brecha peligísima en este proceso. Muchos pacientes, tras recibir su diagnóstico, simplemente nunca comienzan su tratamiento. Abandonan la clínica, pierden el contacto con los trabajadores de la salud o deciden no iniciar el régimen. Esto se conoce como "pérdida de seguimiento". Estos individuos siguen siendo infecciosos, propagando la enfermedad a sus familias y comunidades, mientras su propia salud se deteriora rápidamente. Los programas de salud suelen luchar por encontrar el dinero y el personal para apoyar a cada uno de los pacientes, por lo que necesitan una forma de identificar quién tiene más probabilidades de abandonar antes de que salgan por la puerta. Si los médicos pudieran detectar a estos pacientes de alto riesgo tempranamente, podrían concentrar sus limitados recursos en las personas que más lo necesitan, en lugar de intentar ayudar a todos por igual.

En la provincia indonesia de Java Occidental, los investigadores se propusieron resolver este problema utilizando las vastas cantidades de datos ya recopilados por el sistema nacional de salud. Se plantearon una pregunta simple pero difícil: ¿puede un programa informático, entrenado con los registros de pacientes de toda la provincia, predecir con exactitud qué individuos específicos en un pueblo determinado no iniciarán el tratamiento? Querían saber si un único modelo a gran escala podría funcionar en todas partes, o si las circunstancias únicas de cada distrito romperían la predicción. Para responder a esto, recurrieron a un campo de la informática llamado aprendizaje automático (machine learning), que permite a las computadoras encontrar patrones en los datos sin haber sido programadas explícitamente con reglas. Se centraron en modelos "explicables", que son como cajas transparentes donde se puede ver exactamente por qué la computadora tomó una decisión, en lugar de "cajas negras" que dan una respuesta sin mostrar su trabajo. Esta transparencia es crucial para los médicos, quienes necesitan comprender el razonamiento detrás de una predicción de riesgo antes de actuar sobre ella.

El equipo recopiló información de más de 174.000 personas diagnosticadas con tuberculosis en veintisiete distritos y ciudades diferentes de Java Occidental en 2024. Analizaron detalles disponibles en el momento del diagnóstico, como la edad del paciente, si padecía diabetes, dónde vivía y a qué tipo de clínica acudía. Lo más importante fue que observaron si el estado de VIH del paciente estaba registrado en el sistema. Alrededor del nueve por ciento de estos pacientes ya se habían perdido antes de comenzar el tratamiento. Los investigadores construyeron cinco modelos informáticos diferentes para ver cuál podía distinguir mejor entre los pacientes que iniciarían el tratamiento y los que no. Probaron desde métodos estadísticos simples hasta sistemas basados en árboles más complejos que toman decisiones mediante una serie de preguntas de sí o no.

Los resultados mostraron que los modelos informáticos eran sorprendentemente buenos en su trabajo. El mejor modelo podía distinguir entre los pacientes que se quedarían y los que se irían con un alto grado de precisión. Lo que fue quizás más sorprendente fue que los cinco tipos diferentes de modelos funcionaron casi igual. El modelo más complejo no superó a los más sencillos por un margen amplio. Esto sugirió que la calidad de los datos en sí, más que la ingeniosidad del algoritmo informático, era el factor principal que limitaba qué tan bien podían funcionar las predicciones. Los datos contenían señales fuertes, particularmente respecto a si el estado de VIH del paciente había sido registrado. Los pacientes cuyo estado de VIH no figuraba en su expediente tenían muchas más probabilidades de perderse el seguimiento que aquellos cuyo estado estaba claramente registrado como negativo o positivo. Esto apuntaba a un problema más profundo: el acto de registrar la prueba de VIH no era solo una tarea de entrada de datos, sino una señal de qué tan completo y cuidadoso era todo el proceso médico para ese paciente.

Sin embargo, cuando los investigadores probaron si este único modelo de toda la provincia funcionaba por igual en cada pueblo, el panorama cambió. Un modelo que funcionaba bien en promedio en toda la región no lograba ser fiable en distritos específicos. En algunas zonas, el modelo subestimaba constantemente el riesgo, prediciendo que los pacientes iniciarían el tratamiento cuando en realidad no lo hacían. En otras zonas, sobreestimaba el riesgo. Los investigadores descubrieron dos razones principales para estos fallos. Primero, en algunos distritos, la forma en que se registraban los datos era diferente a la del resto de la provincia. Por ejemplo, en un distrito, un porcentaje mucho mayor de pacientes tenía registros de VIH faltantes en comparación con el promedio provincial. Debido a que el modelo dependía fuertemente de esta información, le costaba realizar predicciones precisas donde los datos eran incompletos.

La segunda razón era más misteriosa. En ciertos distritos, incluso cuando los datos parecían normales, el modelo seguía prediciendo que los pacientes iniciarían el tratamiento, solo para descubrir que muchos de ellos no lo hacían. Esto sugería que había factores locales que influían en las decisiones de los pacientes que la computadora no podía ver. Estos podrían incluir la calidad de los servicios de salud locales, la distancia a la clínica o las barreras culturales específicas de ese pueblo. Los investigadores descubrieron que estos fallos locales no se extendían a los pueblos vecinos de un patrón predecible; un pueblo con una mala predicción no estaba necesariamente al lado de otro pueblo con una mala predicción. Esto significaba que un único modelo de "talla única" no podía confiarse para funcionar en todas partes sin ajustes.

El estudio concluyó que, si bien el aprendizaje automático es una herramienta poderosa para identificar a los pacientes en riesgo, no puede aplicarse simplemente a ciegas en diferentes regiones. Los investigadores descubrieron que el número de pacientes en un distrito no determinaba qué tan bien funcionaba el modelo; incluso las áreas con muy pocos pacientes podían ser predichas bien si los datos locales eran consistentes, mientras que las áreas grandes podían fallar si las condiciones locales eran únicas. También descubrieron que intentar simplificar la lista de factores que la computadora analizaba no mejoraba los resultados. La lección más importante fue que el modelo necesitaba ser recalibrado para cada ubicación específica. Al ajustar las predicciones del modelo para que coincidieran con la realidad local, los trabajadores de la salud podrían utilizar los conocimientos de la computadora para crear una lista dirigida de pacientes que realmente necesitaban apoyo adicional.

Para hacer esto práctico para las clínicas con mucho trabajo, los investigadores tradujeron su complejo modelo informático en un sistema de puntuación sencillo. Los médicos podrían calcular una puntuación de riesgo para un paciente en segundos utilizando solo unos pocos datos: si se registró su estado de VIH, cómo fueron diagnosticados, su edad y su historial de tratamiento. Un paciente con un registro de VIH faltante, por ejemplo, recibiría inmediatamente una puntuación de riesgo alta, señalando que necesitaba atención inmediata. Este enfoque permite que los programas de salud pasen de tratar a cada paciente de la misma manera y, en su lugar, se concentren sus limitados recursos en los individuos que tienen más probabilidades de caer en el olvido. El estudio demostró que, con los datos adecuados y ajustes locales cuidadosos, la tecnología puede ayudar a cerrar la brecha entre el diagnóstico y el tratamiento, salvando vidas en los días críticos tras un diagnóstico de tuberculosis.