Evaluating Patient Representation Strategies for Early Prediction of Alzheimer’s Disease and Related Dementias from Longitudinal EHRs

La enfermedad de Alzheimer y otras demencias relacionadas no son eventos repentinos que golpean sin previo aviso; son procesos lentos y progresivos que comienzan a cambiar el cerebro años antes de que una persona olvide un nombre o se pierda en un lugar familiar. Debido a que estos cambios ocurren tan temprano, los médicos e investigadores han tenido la esperanza de encontrar una manera de detectar el riesgo mucho antes de que aparezcan los síntomas, permitiendo así un cuidado más temprano y una mejor planificación. El desafío es que el cerebro humano es complejo y las señales de problemas suelen ser sutiles y estar dispersas a lo largo de la historia clínica de una persona. Para resolver esto, los científicos han recurrido a las historias clínicas electrónicas, los archivos digitales masivos de cada visita al médico, receta y prueba de laboratorio que un paciente ha recibido. Estos registros contienen pistas de toda una vida, pero son desordenados, irregulares y difíciles de leer. La pregunta central para los investigadores es cómo convertir este flujo caótico de datos en una imagen clara de quién está en riesgo, y si la mejor manera de hacerlo depende de qué tan lejos en el futuro se esté intentando predecir.

Un equipo de investigadores se propuso probar diferentes formas de enseñar a las computadoras a leer estas historias médicas para predecir la aparición de la demencia. Compararon dos enfoques muy diferentes para representar la vida de un paciente en la computadora. El primer enfoque era directo y transparente: simplemente contaba cuántas veces había visitado el médico un paciente, cuántos medicamentos diferentes había tomado y con qué frecuencia recibía ciertos diagnósticos, organizando estos recuentos en ventanas de tiempo. El segundo enfoque era mucho más complejo, utilizando modelos de inteligencia artificial avanzados que habían sido preentrenados con millones de registros médicos para crear un "resumen" matemático oculto del viaje de salud completo de un paciente. Los investigadores querían ver qué método funcionaba mejor, cómo cambiaba su rendimiento al intentar predecir la enfermedad con mayor antelación y si estos métodos funcionarían si se aplicaran a un grupo de pacientes completamente diferente en un sistema hospitalario distinto.

Utilizando una vasta base de datos nacional de registros de salud, el equipo entrenó sus modelos para predecir la demencia a seis, doce, veinticuatro y treinta y seis meses antes de que un paciente fuera diagnosticado realmente. Encontraron que el enfoque basado en recuentos, más simple, era generalmente el más fiable. Era mejor para distinguir entre los pacientes que desarrollarían la enfermedad y aquellos que no lo harían, y sus predicciones eran más precisas en términos de probabilidad. Esta ventaja fue más pronunciada al observar el futuro cercano; para las predicciones realizadas seis meses antes de un diagnóstico, el método de recuento simple superó significativamente a los complejos modelos de inteligencia artificial. Sin embargo, a medida que los investigadores miraban más atrás en el tiempo, intentando predecir la enfermedad con un año completo de antelación, la brecha entre los dos métodos se redujo. En la marca de los treinta y seis meses, los modelos complejos alcanzaron el nivel de los recuentos simples, realizando un desempeño casi tan bueno como ellos, aunque todavía no los superaron.

El estudio también reveló cómo los modelos computacionales "pensaban" a medida que miraban más hacia atrás en el tiempo. Al predecir la enfermedad en el corto plazo, los modelos dependían en gran medida de síntomas cognitivos específicos, como diagnósticos de pérdida de memoria o deterioro cognitivo leve. Pero a medida que la ventana de predicción se extendía más hacia el pasado, estos síntomas específicos a menudo aún no estaban presentes en los registros. En esos casos, los modelos desplazaban su atención hacia patrones más amplios de uso de la atención médica. Comenzaban a dar peso a factores como la frecuencia con la que un paciente visitaba el hospital, cuántos fármacos diferentes se le recetaban y el volumen general de sus interacciones médicas. Parece que mucho antes de que el cerebro muestre signos claros de demencia, el patrón general de búsqueda de atención del cuerpo cambia, y los modelos aprendieron a utilizar estas señales generales como advertencias tempranas.

Los investigadores también probaron si estos modelos podían transferirse a un sistema hospitalario diferente sin reentrenarlos, un escenario conocido como transferencia de cero disparos (zero-shot transfer). Aplicaron los modelos entrenados en la base de datos nacional a un conjunto de datos independiente de un hospital universitario. Los resultados fueron contundentes: el rendimiento disminuyó significativamente para ambos métodos. Los modelos tuvieron dificultades para adaptarse a la población de pacientes diferente, que era de mayor edad y tenía distintos perfiles raciales, así como a diferentes patrones de cómo los médicos registraban la información. Aunque los modelos de inteligencia artificial complejos resistieron ligeramente mejor que los recuentos simples en este difícil escenario de transferencia, ninguno de los dos enfoques demostró ser lo suficientemente robusto como para funcionar perfectamente a través de diferentes sistemas de salud sin ajustes. Esto sugiere que, si bien la tecnología es poderosa, aún no es una herramienta universal que pueda aplicarse en cualquier lugar sin una cuidadosa adaptación local.

En última instancia, el trabajo demuestra que no existe una única "mejor" manera de representar la historia médica de un paciente para predecir la demencia. La elección depende del momento de la predicción y del contexto específico. Para detectar la enfermedad en el futuro cercano, los recuentos simples e interpretables de eventos médicos siguen siendo el estándar de oro. Para mirar más allá, los complejos modelos de inteligencia artificial se vuelven más competitivos, ofreciendo un equilibrio diferente de precisión. Los hallazgos sugieren que el camino hacia la detección temprana no reside en encontrar un algoritmo perfecto, sino en comprender cómo diferentes herramientas capturan distintas señales en diferentes momentos, y en reconocer que las propias señales cambian a medida que la enfermedad pasa de ser un riesgo distante a una realidad inminente.