A Comparative Machine Learning Analysis of Neural Networks and XGBoost for Predicting Maternal Mortality in Maiduguri, Nigeria

En muchas partes del mundo, el viaje del embarazo está plagado de peligros, donde una sola complicación puede convertir un momento de anticipación en una tragedia. En entornos de bajos recursos, y particularmente en áreas afectadas por conflictos, la capacidad de predecir quién está en riesgo de morir durante el parto se ve a menudo limitada por la falta de datos y la pura complejidad de la biología humana. Durante décadas, los médicos han dependido de métodos estadísticos estándar para ponderar factores como la edad de la madre, su historial de partos anteriores y su acceso a la atención. Estos métodos son útiles, pero a menudo luchan por ver las formas intrincadas y no lineales en que estos factores interactúan. En años recientes, ha surgido una nueva generación de herramientas del campo de la informática, capaces de encontrar patrones ocultos en vastas cantidades de información. Dos de las herramientas más poderosas de estas son las redes neuronales artificiales, que imitan la forma en que el cerebro humano conecta ideas, y las máquinas de potenciación del gradiente (gradient boosting machines), que construyen predicciones aprendiendo de una serie de pequeños errores secuenciales. La pregunta que enfrentan los funcionarios de salud pública es si estas avanzadas herramientas digitales pueden realmente ayudar a salvar vidas en los entornos más difíciles, o si son simplemente demasiado complejas para los datos disponibles.

En la ciudad de Maiduguri, Nigeria, afectada por el conflicto, donde la inseguridad y un sistema de salud frágil hacen que la atención materna sea una lucha diaria, dos investigadores se propusieron probar estas herramientas digitales contra la realidad de los registros médicos locales. Recopilaron información de 158 mujeres que habían recibido atención en hospitales seleccionados de la ciudad. El objetivo era sencillo: ver si una computadora podía observar el historial de salud de una mujer y predecir correctamente si sobreviviría al parto o no. El equipo comparó dos enfoques diferentes. Un enfoque utilizó una red neuronal artificial, un tipo de programa que aprende ajustando las conexiones entre capas de unidades digitales, de forma muy similar a un estudiante que refina su comprensión de un tema mediante la práctica repetida. El otro enfoque utilizó un método llamado XGBoost, que funciona construyendo un bosque de árboles de decisión, donde cada nuevo árbol corrige los errores de los anteriores, perfeccionando gradualmente la predicción más precisa.

Los investigadores comenzaron con un conjunto de datos que incluía detalles como la edad de la madre, la educación, los ingresos, el número de veces que había estado embarazada y si había experimentado complicaciones como hemorragias graves o presión arterial alta. Sin embargo, al preparar los datos para que la computadora aprendiera de ellos, descubrieron un fallo crítico que habría confundido completamente sus resultados. Una variable en sus registros, etiquetada como "Morbilidad Grave", resultó ser un espejo perfecto del resultado mismo. En cada caso en que una mujer moría, esta variable se marcaba como grave, y en cada caso en que sobrevivía, se marcaba como no grave. Si la computadora hubiera tenido permitido usar esta información, no habría estado prediciendo el futuro; simplemente habría estado leyendo la clave de respuestas. Los investigadores tomaron la difícil pero necesaria decisión de eliminar esta variable por completo. También eliminaron otra pieza de información que era la misma para todas las personas del estudio, ya que no ofrecía información útil para distinguir entre las sobrevivientes y aquellas que no sobrevivieron.

Con los datos limpios y la información engañosa eliminada, el equipo ejecutó sus modelos utilizando un método de prueba riguroso. En lugar de dividir los datos una sola vez en un conjunto de entrenamiento y uno de prueba, mezclaron repetidamente los 158 registros en diferentes grupos, entrenando los modelos con algunos y probándolos con otros, un proceso que repitieron cien veces para asegurar que los resultados fueran estables y no solo un golpe de suerte. Los resultados fueron impactantes. Tanto la red neuronal artificial como el modelo XGBoost funcionaron con una precisión excepcional, clasificando correctamente la gran mayoría de los casos. La red neuronal fue ligeramente más precisa en general, acertando en casi todos los casos, mientras que el modelo XGBoost también fue altamente efectivo, fallando solo en unos pocos casos. Ambos, estas herramientas avanzadas superaron significativamente a un método estadístico tradicional, el cual, aunque seguía siendo bueno, era menos preciso.

Quizás más importante que las puntuaciones brutas fue lo que las computadoras le dijeron a los investigadores sobre las causas de muerte. Cuando se eliminó la variable engañosa, los modelos identificaron un nuevo conjunto de factores que impulsaban el riesgo de mortalidad materna. El predictor más poderoso fue la eclampsia, una condición peligrosa que implica convulsiones durante el embarazo. Después de esto siguieron el método utilizado para el parto, el número de partos anteriores, el número total de embarazos y los ingresos del hogar de la madre. Estos hallazgos se alinearon perfectamente con lo que los expertos médicos ya sabían sobre los peligros del embarazo, lo que dio a los investigadores la confianza de que sus modelos estaban aprendiendo verdades médicas reales en lugar de solo memorizar peculiaridades de los datos. Los modelos capturaron con éxito las formas complejas en que estos factores trabajaban juntos, mostrando que el riesgo de una mujer no se trata de una sola cosa, sino de una combinación de su historial médico, sus circunstancias de parto y sus circunstancias sociales.

A pesar de estos impresionantes resultados, los investigadores fueron cuidadosos de no declarar el problema resuelto. Señalaron que el conjunto de datos era bastante pequeño, conteniendo solo 158 registros, y que la alta precisión podría deberse en parte a que la computadora había aprendido demasiado bien los patrones específicos de este pequeño grupo de mujeres. Es posible que si los modelos fueran probados en un grupo de mujeres completamente diferente de otro hospital o de otra ciudad, su rendimiento pudiera disminuir. El estudio sirve como una sólida prueba de concepto, mostrando que estas herramientas digitales pueden encontrar patrones significográficos en datos locales, pero no es todavía una solución final lista para su uso inmediato en cada clínica. Los investigadores enfatizaron que antes de que estas herramientas puedan ser confiadas para guiar decisiones de vida o muerte en un hospital, deben ser probadas en grupos de personas mucho más grandes y validadas en diferentes entornos.

El estudio concluye que, si bien la inteligencia artificial promete mucho para ayudar a los médicos en áreas de recursos limitados y afectadas por conflictos a identificar embarazos de alto riesgo de manera temprana, debe usarse con precaución y humildad. La tecnología es poderosa, pero es tan buena como los datos con los que se alimenta y el cuidado tomado para asegurar que los datos sean honestos y completos. Para las mujeres de Maiduguri, el camino hacia adelante implica no solo adoptar nueva tecnología, sino también mejorar cómo se llevan los registros médicos y asegurar que la información registrada sea verdaderamente independiente del resultado. Con mejores datos y más pruebas, herramientas como las redes neuronales y la potenciación del gradiente podrían convertirse en socios vitales para los trabajadores de la salud, ayudándoles a asignar recursos escasos a las madres que más los necesitan, potencialmente salvando vidas en algunos de los entornos más desafiantes del mundo.