Missing Data Governance in Real-World Cardiovascular Risk Prediction: Effects on Machine Learning Performance and Interpretability
Este estudio demuestra que en la predicción del riesgo cardiovascular en el mundo real, el manejo apropiado de los datos faltantes mediante la imputación o estrategias híbridas es crítico para mantener la fiabilidad e interpretabilidad del modelo, mientras que la eliminación acrítica de registros incompletos degrada significamente el rendimiento y pasa por alto el valor informativo de la propia ausencia de datos.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Las enfermedades cardíacas siguen siendo la principal causa de muerte en todo el mundo, y los médicos dependen de la detección temprana para salvar vidas. Para lograrlo, recopilan una vasta cantidad de información sobre cada paciente: su edad, presión arterial, niveles de colesterol y si tiene antecedentes de tabaquismo o diabetes. En los últimos años, se han entrenado programas informáticos conocidos como aprendizaje automático para analizar esta información y predecir quién está en riesgo. Estos programas son excelentes para encontrar patrones en datos limpios y perfectos. Sin embargo, el mundo real rara vez es perfecto. En los hospitales reales, los registros suelen ser desordenados. Un médico puede olvidar anotar una lectura de la presión arterial, un resultado de laboratorio puede estar ausente, o un paciente pudo haberse realizado una prueba en una clínica diferente que nunca llegó al expediente. Durante mucho tiempo, los científicos que prueban estos programas informáticos han utilizado principalmente conjuntos de datos antiguos y depurados que no reflejan esta realidad. Se han centrado en qué algoritmo informático es el más inteligente, ignorando a menudo el hecho de que los datos en sí mismos están incompletos. Esto plantea una pregunta crítica: si un programa informático es entrenado con datos perfectos, ¿puede seguir funcionando cuando se enfrenta a los registros desordenados e incompletos que se encuentran en un hospital real?
Un equipo de investigadores en Denizli, Turquía, decidió responder a esto construyendo un estudio en torno a los datos mismos en lugar del programa informático. Fueron directamente al departamento de cardiología de un hospital privado y extrajeron todos los registros de los pacientes atendidos entre 2019 y 2024. No limpiaron los datos primero. No descartaron los registros con números faltantes. En su lugar, tomaron la información bruta y sin filtrar exactamente como estaba en la base de datos del hospital, con todas sus lagunas e inconsistencias. De estos registros, seleccionaron diecinueve parámetros de salud clave, como la edad, el sexo, el colesterol y diversas mediciones cardíacas, para ver qué tan bien diferentes programas informáticos podrían predecir la enfermedad cardíaca cuando se ven obligados a lidiar con información faltante. Probaron once tipos diferentes de algoritmos de aprendizaje, que van desde métodos estadísticos simples hasta sistemas modernos complejos que construyen muchos modelos pequeños para trabajar juntos. Crucialmente, no eligieron solo una forma de solucionar los números faltantes. Probaron cuatro estrategias completamente diferentes. Una estrategia llenó los espacios en blanco con números estimados. Otra dejó los espacios vacíos para ver si la computadora podía manejarlos por su cuenta. Una tercera estrategia trató los valores faltantes como una categoría específica propia, diciéndole esencialmente a la computadora: "No sabemos esto, pero el hecho de que no lo sepamos podría ser importante". La cuarta estrategia, que es común en muchos estudios, simplemente eliminó cada uno de los registros que tenía incluso un número faltante.
Los resultados mostraron que cómo los investigadores manejaban los datos faltantes importaba mucho más que qué programa informático elegían. Cuando utilizaron la estrategia de eliminar los registros incompletos, el rendimiento de cada uno de los modelos informáticos cayó significamente. Los modelos más precisos bajaron de identificar correctamente alrededor del 77 por ciento de los casos a solo el 69 por ciento. Esta pérdida ocurrió porque eliminar los registros eliminó tanta información valiosa y dejó a la computadora con muy pocos ejemplos para aprender. En contraste, las estrategias que mantuvieron los registros incompletos —ya fuera llenando los huecos o tratando la ausencia como un hecho conocido— preservaron la capacidad de los modelos para predecir la enfermedad cardíaca con precisión. Los programas informáticos que mejor funcionaron fueron aquellos que podían manejar los datos desordenados sin descartarlos. Entre los diferentes tipos de algoritmos probados, una familia de sistemas conocidos como ensambles de potenciación (boosting ensembles) demostró ser la más resiliente. Estos sistemas, que combinan muchos tomadores de decisiones simples para formar una predicción fuerte, mantuvieron una alta precisión incluso cuando los datos estaban incompletos. Los métodos más simples, como los basados en encontrar a los vecinos más cercanos en un conjunto de datos, fueron los que más sufrieron ante la presencia de valores faltantes.
Quizás el descubrimiento más sorprendente surgió cuando los investigadores observaron de cerca cómo los programas informáticos tomaban sus decisiones. Utilizaron una herramienta de análisis especial para ver qué características consideraba la computadora como más importantes. Descubrieron que la computadora estaba prestando mucha atención al hecho de que ciertas mediciones no estaban presentes. Específicamente, el indicador de que una lectura de la presión arterial faltaba clasificó como uno de los factores más influyentes en la predicción de la enfermedad cardíaca. Esto no significa que la falta de una lectura de presión arterial cause la enfermedad cardíaca. En cambio, sugiere que el patrón de la ausencia de datos conlleva su propia información. En este hospital, el hecho de que no se registrara una lectura de la presión arterial podría indicar algo sobre la situación del paciente, como un tipo específico de visita o un factor socioeconómico que influyó en qué pruebas se ordenaron. La computadora aprendió que esta ausencia era una señal, tan real como un número de colesterol alto. Este hallazgo desafía la idea de que los datos faltantes son solo un defecto que debe ser corregido o ignorado. Muestra que, en entornos clínicos del mundo real, la forma en que se registra la información —o no se registra— es parte de la historia que cuentan los datos.
El estudio concluye que, para que los programas informáticos sean confiables en los hospitales reales, los científicos deben dejar de tratar la calidad de los datos como un detalle menor que debe limpiarse antes de comenzar el trabajo principal. La forma en que se maneja la información faltante es una parte fundamental de la ciencia. Si los investigadores simplemente eliminan los registros incompletos, corren el riesgo de construir modelos que funcionan bien en el papel pero fallan en la práctica. El enfoque más confiable es utilizar métodos que respeten la incompletitud de los datos, ya sea llenando los huecos cuidadosamente o reconociendo que la ausencia de una medición es, en sí misma, una pieza de información. Al utilizar un conjunto de datos de origen local de Turquía, los investigadores demostraron que los modelos construidos con datos reales y desordenados son más representativos de las condiciones reales que enfrentan los médicos. Encontraron que, si bien los modelos no eran perfectos, eran honestos y robustos. El estudio sostiene que el futuro de la predicción médica no reside en encontrar un algoritmo ligeramente mejor para ejecutar en datos perfectos, sino en construir sistemas que puedan comprender y aprender de la realidad imperfecta de los registros de salud humana.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.