MultiDiseasePred: An Interpretable Multi-Disease Risk Prediction Framework and Its Application for Early Risk Stratification in the Emergency Department

En el entorno caótico y de alto riesgo de la sala de emergencias de un hospital, los primeros minutos suelen ser los más críticos. Cuando llega un paciente, no es solo un problema individual; es una mezcla compleja de síntomas que podrían señalar cualquier cosa, desde un ataque al corazón hasta una infección grave o una arteria pulmonar bloqueada. Tradicionalmente, los médicos han dependido de listas de verificación y sistemas de puntuación separados para evaluar cada una de estas posibilidades una por una. Una enfermera podría usar una herramienta para detectar sepsis, otra para problemas cardíacos y una tercera para problemas respiratorios. Si bien estas herramientas son útiles, están diseñadas para observar solo una enfermedad a la vez. Esto crea una imagen fragmentada, obligando a los clínicos a unir mentalmente diferentes puntuaciones de riesgo mientras corren contra el reloj, a menudo sin el beneficio de los resultados de laboratorio o las imágenes que llegan más tarde. El desafío es ver al paciente de forma integral de inmediato, comprendiendo cómo los diferentes riesgos se superponen y compiten por la atención antes de que se conozca la historia médica completa.

Para abordar esto, un equipo de investigadores de la Universidad de Minnesota y otras instituciones desarrolló un nuevo enfoque llamado MultiDiseasePred. En lugar de construir modelos separados para cada enfermedad, crearon un sistema único y unificado diseñado para observar a un paciente y estimar simultáneamente el riesgo de siete condiciones agudas diferentes y dos resultados críticos, como si el paciente necesitará ser admitido en el hospital. El sistema se centra en las siete condiciones que a menudo presentan síntomas iniciales confusamente similares: sepsis, síndrome de dificultad respiratoria aguda, exacerbaciones de enfermedades pulmonares crónicas como el asma o el EPOC, síndrome coronario agudo (problemas del corazón), neumonía viral, embolia pulmonar (un coágulo en el pulmón) y lesión renal aguda. También predice la probabilidad de hospitalización y un "resultado crítico" compuesto que involucra el ingreso a cuidados intensivos o la muerte. El objetivo no era solo predecir estos riesgos, sino hacerlo utilizando únicamente la información disponible en el momento en que el paciente cruza la puerta, como los signos vitales, la edad y el motivo de la consulta, sin esperar a los análisis de sangre o las radiografías.

Los investigadores entrenaron este sistema con un conjunto masivo de datos que comprende casi 1,7 millones de visitas a emergencias de un gran sistema de salud en Minnesota, cubriendo los años 2019 a 2025. Luego probaron qué tan bien funcionaba el sistema en grupos de pacientes completamente diferentes de otros dos grandes centros médicos: uno en Boston y otro en California. Esta prueba externa fue crucial para asegurar que el sistema no estuviera simplemente memorizando los datos locales, sino que pudiera comprender los signos universales de la enfermedad. El sistema aprendió a identificar patrones a través de millones de visitas, descubriendo que, si bien cada enfermedad es única, a menudo comparten señales fisiológicas subyacentes. Por ejemplo, una caída en la presión arterial o un cambio en la frecuencia respiratoria pueden ser una señal de advertencia para varias condiciones distintas al mismo tiempo. Al analizar estas señales compartidas junto con pistas específicas, el modelo aprendió a ponderar la evidencia para cada condición por separado, manteniendo al mismo tiempo las conexiones entre ellas.

Una característica clave de este nuevo marco es su capacidad para mantenerse simple y práctico para el uso en el mundo real. Los investigadores descubrieron que no necesitaban una lista larga de docenas de variables para hacer predicciones precisas. Mediante un proceso de selección cuidadoso, redujeron las entradas a solo doce variables que las enfermeras de triaje registran de rutina, tales como la frecuencia cardíaca, la presión arterial, los niveles de oxígeno, la edad y antecedentes médicos específicos. Este conjunto de entradas "parsimonioso" significa que el sistema puede utilizarse de inmediato sin requerir una entrada de datos compleja o esperar los resultados de laboratorio. El modelo también incluye un sistema de explicación integrado. Cuando señala a un paciente con un alto riesgo para una condición específica, no solo entrega un número; resalta exactamente qué factores contribuyeron a esa decisión. Por ejemplo, si el sistema predice un alto riesgo de embolia pulmonar, podría mostrar que el historial de hipertensión pulmonar del paciente fue el principal impulsor de esa predicción, permitiendo al clínico ver la lógica detrás de la alerta.

Los resultados del estudio fueron prometedores. En la prueba interna, el sistema logró un alto nivel de precisión para distinguir entre los pacientes que desarrollarían estas condiciones y aquellos que no, desempeñándose tan bien como o mejor que los modelos existentes de aprendizaje automático de enfermedad única. Más importante aún, cuando se probó en los datos externos de Boston y California, el sistema mantuvo un sólido rendimiento sin necesidad de ser reentrenado o ajustado para las nuevas ubicaciones. Esto sugiere que los patrones que el modelo aprendió son robustos y pueden trasladarse a través de diferentes entornos hospitalarios. Para las siete condiciones agudas, el sistema identificó los riesgos con un alto grado de fiabilidad, y para los dos puntos finales de disposición, también funcionó bien. Los investigadores señalaron que, si bien el sistema fue excelente para clasificar a los pacientes por riesgo, su capacidad para predecir eventos muy raros con una precisión perfecta fue ligeramente menor, lo cual es un desafío común en la predicción médica. Sin embargo, el sistema proporcionó con éxito un perfil de riesgo coordinado y multivariado que los clínicos pueden interpretar de inmediato.

El estudio también examinó cómo el sistema maneja la realidad de la atención de emergencia, donde los datos suelen estar incompletos o ausentes. Los investigadores diseñaron el sistema para manejar la información faltante mediante el uso de valores estándar predefinidos basados en los datos de entrenamiento, asegurando que el modelo se comporte de manera consistente independientemente de si se registró un signo vital específico. También se aseguraron de que el sistema no dependiera del Índice de Severidad de Emergencia, una puntuación que a menudo asignan las enfermeras, para evitar el razonamiento circular donde el modelo simplemente repite la evaluación inicial de la enfermera. En su lugar, construye su propia evaluación independiente a partir de los datos clínicos brutos. Los investigadores enfatizaron que esta herramienta está destinada a ser un apoyo para la toma de decisiones, no un reemplazo del juicio clínico. Está diseñada para ayudar a los clínicos a organizar sus pensamientos y priorizar qué condiciones investigar primero, potencialmente acelerando el tiempo hacia tratamientos críticos como antibióticos para la sepsis o anticoagulantes para los coágulos.

A pesar del sólido desempeño, los autores advierten cuidadosamente que este es un estudio retrospectivo, lo que significa que analizó datos pasados en lugar de probar el sistema en un entorno real y en vivo. Reconocen que, antes de que una herramienta como esta pueda adoptarse ampliamente, debe probarse prospectivamente para ver cómo afecta realmente los resultados de los pacientes, la eficiencia del flujo de trabajo y si ayuda o entorpece el proceso de toma de decisiones. También existen limitaciones con respecto a las fuentes de datos específicas utilizadas; por ejemplo, el sistema depende de datos estructurados y aún no incorpora notas no estructuradas ni resultados de imágenes. Además, el estudio no incluyó un análisis detallado de cómo el sistema se desempeña a través de diferentes grupos raciales o étnicos, ya que esos datos no estaban disponibles de manera consistente en todos los hospitales estudiados. Estas son áreas importantes para la investigación futura para asegurar que la herramienta sea segura y efectiva para todos.

En última instancia, este trabajo representa un cambio en cómo podría abordarse la evaluación del riesgo en emergencias. Al alejarse de una colección de herramientas aisladas de enfermedad única hacia un marco unificado e interpretable, los investigadores han demostrado que es posible ver el espectro completo de los riesgos potenciales de un paciente desde el inicio de su atención. El sistema proporciona una probabilidad clara y calibrada para múltiples condiciones a la vez, acompañada de una explicación de por qué se señalaron dichos riesgos. Este enfoque respeta la complejidad del departamento de emergencias, donde los pacientes a menudo presentan síntomas superpuestos y múltiples diagnósticos potenciales. Si bien el sistema aún no es un producto terminado listo para su despliegue inmediato en cada hospital, ofrece una prueba de concepto convincente de que un único marco inteligente puede ayudar a los clínicos a navegar la incertidumbre de los primeros minutos de un encuentro de emergencia, potencialmente salvando tiempo valioso y mejorando la atención de pacientes con condiciones que ponen en peligro la vida.