Explainable Machine Learning for 30-Day Hospital Readmission Risk Prediction in Patients with Diabetes: A Comparative Analysis of Model Performance and Algorithmic Fairness

Cada año en los Estados Unidos, millones de personas salen del hospital solo para regresar antes de un mes. Para los pacientes con diabetes, este ciclo es particularmente común, con casi uno de cada cuatro regresando para otra estancia hospitalaria. Estos retornos no son solo una dificultad personal; representan una carga financiera masiva para el sistema de salud, costando miles de millones de dólares anualmente. Para desalentar este patrón, los programas federales pueden reducir los pagos a los hospitales que no logran mantener bajas sus tasas de reingreso. Sin embargo, a pesar de lo que está en juego, los hospitales a menudo carecen de una forma confiable de saber qué pacientes específicos tienen más probabilidades de regresar antes de ser dados de alta. Los médicos deben tomar estos juicios basados en la experiencia y la intuición, sopesando docenas de factores como la edad del paciente, el historial médico pasado y los medicamentos actuales, todo a la vez.

Aquí es donde el aprendizaje automático entra en escena, no como un reemplazo del juicio humano, sino como una herramienta para ayudar a filtrar el ruido. El aprendizaje automático es un método donde las computadoras aprenden a reconocer patrones en grandes cantidades de datos sin ser programadas explícitamente con un conjunto de reglas. En este contexto, el objetivo es construir un sistema que pueda observar el registro médico de un paciente y estimar la probabilidad de una visita de retorno. El desafío radica en el enorme volumen de información disponible; un solo registro de paciente puede contener cientos de puntos de datos diferentes, desde resultados de pruebas de laboratorio hasta el tipo de seguro que posee. Además, los datos suelen ser desordenados, con valores faltantes y relaciones complejas entre variables que son difíciles de rastrear manualmente por los humanos. La pregunta que los investigadores se hicieron fue si una computadora podría aprender a detectar las señales sutiles de riesgo ocultas dentro de esta complejidad mejor que una simple lista de verificación.

Un investigador de la Universidad de Pensilvania, Zisheng Liang, abordó este problema construyendo y probando varios modelos computacionales diferentes para predecir los reingresos a los 30 días de pacientes diabéticos. El estudio se basó en una colección masiva de registros médicos del mundo real de más de 100,000 visitas hospitalarias en 130 hospitales en los Estados Unidos, que abarcan casi una década. Después de limpiar cuidadosamente los datos —eliminando los registros incompletos o irrelevantes y organizando la información en un formato que las computadoras pudieran entender— el investigador se quedó con un conjunto de datos donde solo alrededor del 11 por ciento de los pacientes habían sido reingresados realmente. Este desequilibrio significaba que una computadora podría simplemente adivinar "no hay retorno" para cada uno de los pacientes y seguir teniendo razón la mayor parte del tiempo, pero fallaría completamente en su trabajo real de encontrar a las personas que necesitaban ayuda.

Para resolver esto, el investigador entrenó cuatro tipos diferentes de algoritmos, cada uno con su propia forma de pensar sobre los datos. Un tipo, llamado regresión logística, funciona como una escala ponderada, sumando factores para llegar a una decisión. Otro, un árbol de decisión, hace una serie de preguntas de sí o no para reducir la respuesta. Un tercero, un bosque aleatorio (random forest), combina la lógica de muchos árboles de decisión para crear una predicción más robusta. El investigador también creó nuevas características para ayudar a los modelos, como contar el número total de medicamentos que un paciente estaba tomando o agrupar códigos médicos complejos en categorías más amplias como problemas "circulatorios" o "respiratorios". Crucialmente, los datos se dividieron de una manera que imitaba la vida real: el modelo aprendió de visitas pasadas y fue probado con visitas futuras, asegurando que pudiera predecir qué sucedería después en lugar de simplemente memorizar lo que ya había ocurrido.

Cuando los modelos fueron puestos a prueba, los resultados fueron reveladores. Ninguno de los algoritmos logró una precisión perfecta, lo cual el investigador señaló que era de esperarse dada la dificultad de predecir el comportamiento humano y los resultados de salud. Sin embargo, el modelo de bosque aleatorio surgió como la herramienta más efectiva para el objetivo específico del estudio. Identificó con éxito aproximadamente el 71 por ciento de los pacientes que realmente fueron reingresados, una tasa significativamente más alta que la de los otros modelos. Mientras que los otros modelos fueron ligeramente mejores en evitar falsas alarmas, la capacidad del bosque aleatorio para captar a la mayoría de los pacientes de alto riesgo lo convirtió en la herramienta más valiosa para un hospital que intenta prevenir los retornos. El análisis mostró que los factores más importantes que impulsaban estas predicciones no eran sorprendentes para los profesionales médicos: el número de estancias hospitalarias previas, el número total de visitas previas y el lugar al que el paciente fue dado de alta eran los indicadores de riesgo más fuertes.

El estudio también examinó de cerca si estos modelos trataban de manera justa a diferentes grupos de personas, verificando si las predicciones variaban según la raza, el género o la edad. Los resultados mostraron que ningún modelo era perfectamente justo en todos los grupos. El modelo de bosque aleatorio, aunque fue el mejor para captar a los pacientes de alto riesgo en general, mostró una brecha mayor en el desempeño entre diferentes grupos raciales en comparación con los modelos más simples. El investigador reconoció este compromiso, señalando que, si bien el modelo no era igualmente preciso para cada grupo demográfico, su capacidad superior para identificar a los pacientes que realmente necesitaban intervención lo convertía en la mejor opción para su implementación, siempre que los médicos permanezcan conscientes de estas limitaciones.

En última instancia, el estudio concluye que, si bien el aprendizaje automático no puede predecir el futuro perfectamente, puede servir como un poderoso asistente. El sistema propuesto no tomaría decisiones por los médicos, sino que proporcionaría una lista clasificada de pacientes, resaltando a aquellos con mayor probabilidad de regresar para que los equipos de atención puedan priorizarlos para un apoyo adicional, como citas de seguimiento o revisiones de medicación. El investigador enfatizó que esta herramienta es todavía un trabajo en progreso; los datos utilizados eran de finales de la década de 1990 y principios de la de 2000, lo que significa que no reflejan las prácticas médicas actuales ni las condiciones sociales como la estabilidad de la vivienda. Antes de que tal sistema pudiera ser utilizado en un hospital real, necesitaría ser probado con datos modernos y validado para asegurar que funciona como se pretende. Por ahora, el trabajo demuestra que las computadoras pueden aprender a reconocer los complejos patrones de riesgo en el cuidado de la diabetes, ofreciendo un camino potencial hacia la reducción del ciclo de retornos hospitalarios, incluso si el camino aún no está totalmente pavimentado.