Development and Evaluation of Explainable Machine-Learning Models for Predicting 30-Day Unplanned Hospital Readmission

Los hospitales son lugares donde la gente va para mejorar, pero a veces, poco después de salir, se encuentran regresando. Este retorno, conocido como reingreso, suele ser no planificado y puede indicar que la recuperación de un paciente fue incompleta, que su transición al hogar fue difícil o que su salud subyacente es más compleja de lo que se pensó inicialmente. Para los sistemas de salud, estos retornos son costosos y estresantes para todos los involucrados. Para los pacientes, representan una interrupción en su recuperación y una amenaza potencial para su bienestar. Debido a esto, los médicos y administradores buscan constantemente formas de identificar qué pacientes tienen más probabilidades de regresar antes de que salgan del hospital. Si pueden detectar estos riesgos tempranamente, pueden ofrecer apoyo adicional, un mejor manejo de la medicación o un seguimiento más cercano para mantener a las personas saludables en casa.

Durante años, los investigadores han intentado construir programas informáticos que puedan predecir estos retornos. Estos programas analizan el historial de un paciente: su edad, visitas hospitalarias pasadas, la cantidad de medicamentos que toma y sus condiciones de salud actuales, para calcular una puntuación de riesgo. Sin embargo, las herramientas utilizadas para construir estos programas han cambiado. En el pasado, los científicos dependían de métodos estadísticos sencillos que eran fáciles de entender pero que a veces pasaban por alto patrones complejos en los datos. Hoy en día, técnicas informáticas más potentes, a menudo llamadas aprendizaje automático (machine learning), pueden examinar vastas cantidades de información y encontrar conexiones sutiles que los métodos más simples podrían pasar por alto. Pero hay un inconveniente: estas potentes herramientas pueden ser como una caja negra, realizando una predicción sin explicar el porqué. Para que un médico confíe en el consejo de una computadora, necesita entender el razonamiento detrás de este.

Un estudio reciente de los investigadores Sharare Taheri Moghadam y Md Shafiqur Rahman Jabin abordó este desafío construyendo y probando dos tipos diferentes de modelos de predicción para ver cuál funcionaba mejor y cuál podía explicar su pensamiento con mayor claridad. Se centraron en el problema específico de predecir si un paciente adulto sería reingresado en el hospital dentro de los treinta días posteriores a su alta. Para ello, crearon un marco de demostración utilizando un conjunto de datos sintéticos, una colección de registros de pacientes generada por computadora diseñada para imitar los datos reales de un hospital sin utilizar ninguna información privada real. Esto les permitió probar sus métodos de forma segura y reproducible antes de aplicarlos a registros del mundo real.

Los investigadores establecieron una comparación directa entre dos enfoques. El primero fue un modelo estadístico tradicional, que utilizaron como una línea de base confiable. El segundo fue un modelo de aprendizaje automático más avanzado conocido como Random Forest (Bosque Aleatorio). Puede pensar en un Random Forest como un equipo de muchos tomadores de decisiones trabajando juntos; en lugar de depender de una sola regla, combina las opiniones de cientos de árboles de decisión más pequeños para llegar a una conclusión final. Este enfoque es conocido por ser muy bueno detectando relaciones complejas y no lineales en los datos, como la forma en que la edad de un paciente podría interactuar con su recuento de medicamentos para aumentar el riesgo. El equipo entrenó ambos modelos con los datos sintéticos y luego les pidió que predijeran los resultados para un nuevo conjunto de pacientes que no habían visto antes.

Los resultados mostraron que el modelo de aprendizaje automático más complejo era, de hecho, más preciso. El modelo Random Forest identificó correctamente a los pacientes que regresarían el 75.8% de las veces, en comparación con el 71.2% del modelo tradicional. También cometió menos errores en general, clasificando correctamente el 86.5% de todos los casos, mientras que el modelo tradicional acertó el 83.5%. Quizás lo más importante es que el modelo avanzado cometió menos errores en ambas direcciones: detectó menos pacientes de alto riesgo que realmente regresaron y señaló menos pacientes de bajo riesgo que habrían estado seguros en casa. En el lenguaje del estudio, el modelo de aprendizaje automático alcanzó una puntuación de 0.84 en una escala de discriminación, lo que significa que fue mejor separando a quienes regresarían de quienes no lo harían, en comparación con una puntuación de 0.72 para el modelo tradicional.

Sin embargo, el estudio no se detuvo solo en medir la precisión. Los investigadores sabían que un modelo no es útil en un hospital si los médicos no pueden entender por qué tomó una predicción específica. Para resolver esto, utilizaron una técnica llamada SHAP, que actúa como un reflector para mostrar exactamente qué factores impulsaron la predicción hacia arriba o hacia abajo para cada paciente individual. Cuando analizaron los resultados, surgió un panorama claro. El factor más importante para predecir un regreso al hospital fue simplemente si el paciente había sido ingresado al hospital anteriormente. Esta fue la señal más fuerte en ambos modelos. Otros factores significativos incluyeron cuánto tiempo permaneció el paciente en el hospital durante su visita actual, la cantidad de medicamentos diferentes que estaba tomando, el número de condiciones médicas que tenía, su edad y si tenía problemas renales.

El estudio también encontró que ciertos factores en realidad disminuían el riesgo de un regreso. Los pacientes que fueron enviados a casa con una cita de seguimiento programada, aquellos cuyas medicaciones fueron cuidadosamente revisadas y conciliadas antes del alta, y aquellos que fueron dados de alta en sus propios hogares en lugar de a un centro de enfermería, tenían menos probabilidades de regresar. El modelo de aprendizaje automático fue capaz de ponderar todos estos factores en conjunto, mostrando cómo un paciente con una estancia hospitalaria larga y muchos medicamentos podría estar en mayor riesgo, incluso si su edad fuera joven. Para un ejemplo de paciente específico en el estudio, la computadora explicó que su alto riesgo era impulsado principalmente por su historial de ingresos previos, seguido por la cantidad de medicamentos que tomaba y su función renal.

Es crucial señalar que este estudio fue una demostración de un método, no una herramienta médica final lista para su uso en cada hospital. Los investigadores utilizaron datos sintéticos para demostrar que su flujo de trabajo funcionaba, pero declararon explícitamente que estos resultados deben ser probados en conjuntos de datos reales y extensos de hospitales reales antes de que puedan ser confiables para las decisiones clínicas. El estudio aún no verificó si las predicciones del modelo estaban perfectamente calibradas con las probabilidades del mundo real, ni probó cómo se desempeñaba el modelo a través de diferentes grupos demográficos o en diferentes sistemas de salud. Estos son pasos esenciales a seguir. Los investigadores también enfatizaron que, si bien el modelo puede explicar qué factores contribuyeron a una puntuación de riesgo, esto no significa que esos factores sean la causa directa del reingreso. Por ejemplo, una estancia hospitalaria larga podría ser un signo de enfermedad grave en lugar de la causa del regreso en sí misma.

A pesar de estas limitaciones, el trabajo proporciona un plano valioso para el futuro de la atención hospitalaria. Demuestra que es posible utilizar modelos informáticos potentes y complejos para predecir los resultados de los pacientes manteniendo al mismo tiempo el razonamiento transparente y comprensible para los médicos humanos. Al combinar la alta precisión del aprendizaje automático con explicaciones claras de por qué un paciente está en riesgo, los proveedores de atención médica podrían, eventualmente, tener una herramienta que les ayude a centrar sus recursos en los pacientes que más los necesitan. El estudio concluye que, si bien el modelo de aprendizaje automático superó al tradicional en esta simulación, el valor real reside en la capacidad de combinar una predicción sólida con una explicación clara, allanando el camino para sistemas de apoyo a la decisión clínica más inteligentes y confiables.