Predicting Medication Adherence Among Chronic Disease Patients in Ghana Using Explainable Machine Learning: A Retrospective EMR-Based Study

En el ritmo silencioso de la gestión de una enfermedad crónica, el paso más crítico ocurre a menudo no en el consultorio de un médico, sino en la privacidad del hogar de un paciente. Tomar la medicación exactamente como se recetó es el puente entre un diagnóstico y una vida bien vivida, sin embargo, para millones de personas en todo el mundo, ese puente permanece incompleto. Esta brecha entre lo que un médico prescribe y lo que un paciente realmente toma se conoce como falta de adherencia a la medicación. Es un problema complejo moldeado por el olvido, las instrucciones confusas y los efectos secundarios del tratamiento, pero en muchas naciones en desarrollo, es impulsado por algo mucho más tangible: el costo de la medicina y la fiabilidad de la cadena de suministro. Cuando un paciente no puede costear una renovación o no puede encontrar el fármaco en el estante, el plan de tratamiento colapsa, lo que conduce a complicaciones evitables y a la muerte prematura.

Para resolver esto, los médicos e investigadores han comenzado a recurrir a las computadoras, utilizando el aprendizaje automático para detectar patrones en los datos de los pacientes que los ojos humanos podrían pasar por alto. Estos sistemas observan los registros de quién está tomando su medicina y quién no, buscando la mezcla específica de factores que lleva a saltarse una dosis. Sin embargo, la mayoría de estos modelos computacionales fueron construcidos en países ricos donde los seguros cubren los costos y las farmacias siempre están abastecidas. Cuando estos modelos se aplican en lugares como Ghana, donde el seguro de salud no es universal y los costos de bolsillo pueden ser una carga pesada, a menudo fallan. Pasan por alto las realidades locales que dictan si una persona puede mantenerse en su tratamiento. Un nuevo estudio de Ghana busca solucionar esto construyendo un modelo que comprenda el paisaje económico y social específico de sus pacientes, utilizando datos que reflejen sus vidas reales en lugar de una versión idealizada de la atención médica.

Investigadores del Hospital Presbiteriano en Agogo, Ghana, se propusieron crear una herramienta que pudiera predecir qué pacientes tenían probabilidades de dejar de tomar su medicación para condiciones crónicas como la hipertensión arterial y la diabetes. Recopilaron registros de 1,772 pacientes adultos que habían visitado el hospital durante un período de seis meses. En lugar de depender de que los pacientes recordaran cuántas pastillas tomaron, el equipo utilizó un método preciso llamado Proporción de Días Cubiertos. Este enfoque observa las fechas de cada renovación de la receta para calcular exactamente cuántos días tuvo un paciente un suministro de su medicina. Si un paciente tenía suficiente medicación para al menos el 80 por ciento del tiempo, se consideraba adherente; cualquier cifra inferior significaba que estaba en riesgo.

El equipo comenzó alimentando un programa informático con información estándar sobre estos pacientes: su edad, género, si tenían seguro de salud, el número de medicamentos que les fueron recetados y el costo estimado de esos medicamentos. Probaron cinco tipos diferentes de algoritmos computacionales, que variaban desde métodos estadísticos simples hasta redes neuronales más complejas, para ver cuál podía predecir mejor quién sería adherente y quién no. Los resultados fueron prometedores, con los mejores modelos individuales identificando correctamente los patrones de adherencia aproximadamente el 88 por ciento de las veces. Pero los investigadores sabían que los datos estándar no eran suficientes para capturar el panorama completo de la vida en Ghana.

Para hacer el modelo más inteligente, el equipo añadió seis piezas de información nuevas y personalizadas que reflejaban los desafíos específicos de su entorno local. Crearon características que combinaban diferentes factores, como multiplicar la edad de un paciente por el número de medicamentos que tomaba para ver si los pacientes mayores luchaban más con regímenes complejos. También calcularon una "carga de precio" específicamente para pacientes sin seguro, reconociendo que el costo de la medicina golpea mucho más fuerte a los no asegurados. Al enseñar a la computadora a observar estas interacciones, permitieron que el modelo comprendiera que un costo alto podría no importar para un paciente asegurado, pero podría ser un factor determinante para alguien que paga de su propio bolsillo.

Cuando combinaron estas nuevas características conscientes del contexto con una técnica llamada ensamblaje apilado (stacked ensemble) —donde múltiples modelos computacionales trabajan juntos para votar sobre una respuesta final— la precisión de la predicción mejoró. El mejor modelo clasificó correctamente a los pacientes el 89.5 por ciento de las veces. Más importante aún, los investigadores utilizaron un método llamado SHAP para abrir la "caja negra" de la toma de decisiones de la computadora. Esto les permitió ver exactamente qué factores estaban impulsando las predicciones. Encontraron que los predictores más poderosos no eran solo la edad o el género, sino el estado del seguro del paciente, la interacción entre su edad y la complejidad de su medicación, y si tenían otras condiciones de salud crónicas. Esto confirmó que el acceso financiero y la complejidad del tratamiento eran las fuerzas primarias que daban forma a la adherencia en esta comunidad.

El estudio también exploró cómo hacer que esta herramienta fuera práctica para hospitales con recursos limitados. Probaron si el modelo podía funcionar con menos piezas de datos, simulando un escenario en el que una clínica pudiera no tener acceso a cada detalle sobre un paciente. Descubrieron que un modelo que utilizaba solo siete características clave funcionaba casi tan bien como el modelo completo, e incluso una versión con solo tres características —estado del seguro, la interacción edad-medicación y el estado de comorbilidad crónica— conservaba la mayor parte de su poder predictivo. Esto sugiere que, en entornos de recursos limitados, los médicos no necesitan una base de datos masiva para identificar a los pacientes en riesgo; un conjunto pequeño y enfocado de información es suficiente para señalar a quienes necesitan ayuda.

Sin embargo, los investigadores fueron cuidadosos al señalar los límites de sus hallazgos. Los datos provenían de un solo hospital y el modelo no fue probado en pacientes de otras regiones o países, por lo que aún no se sabe si funcionaría en todas partes. También descubrieron que, si bien el uso de una técnica para equilibrar los datos ayudó al modelo a encontrar más pacientes no adherentes, esto hizo que las predicciones generales fueran ligeramente menos precisas. Al final, eligieron el modelo entrenado con los datos originales, desequilibrados, porque ofrecía la mejor confiabilidad general. El estudio concluye que, si bien el aprendizaje automático posee una gran promesa para mejorar la salud en Ghana, estas herramientas deben construirse teniendo en cuenta las realidades locales. Al enfocarse en las barreras específicas del costo y el seguro, y al mantener los modelos lo suficientemente simples como para ser usados con datos limitados, los investigadores han creado un camino hacia la identificación de pacientes que necesitan apoyo antes de que dejen de tomar sus medicinas vitales.