Standard-of-Care vs. Machine Learning–Recommended Discharge Destinations for Geriatric Surgical Inpatients: Algorithm Development and Internal Validation

Resumen Técnico: Destinos de Alta Recomendados por el Estándar de Atención frente al Aprendizaje Automático para Pacientes Quirúrgicos Geriátricos Hospitalizados

Planteamiento del Problema
Los adultos mayores sometidos a cirugía enfrentan riesgos elevados de resultados adversos, incluyendo el declive funcional, la hospitalización prolongada y la institucionalización inapropiada, a menudo debido a vulnerabilidades relacionadas con la edad como la fragilidad y la multimorbilidad. Aunque la Evaluación Geriátrica Integral (EGI) y el co-manejo geriátrico han demostrado mejorar la planificación del alta y los resultados, su implementación generalizada se ve obstaculizada por la escasez de geriatras y las limitaciones de recursos. Los hallazgos previos del proyecto SURGE-Ahead indicaron que las decisiones de alta del estándar de atención para pacientes quirúrgicos geriátricos eran incongruentes con las recomendaciones de expertos en geriatría en el 27% de los casos, una discrepancia vinculada a mayores tasas de reingreso y declive funcional. Existe una necesidad crítica de herramientas escalables y basadas en datos para apoyar la planificación de altas individualizada que pueda aumentar, en lugar de reemplazar, la experiencia clínica.

Metodología
El estudio desarrolló y validó internamente un algoritmo de aprendizaje automático (ML) para predecir los destinos de alta de pacientes quirúrgicos geriátricos, utilizando las recomendaciones de expertos en geriatría como la verdad de referencia (ground truth).

• Fuente de Datos: El estudio utilizó datos de 169 pacientes de ≥70 años admitidos en los departamentos de traumatología, general/visceral y urología del Centro Médico de la Universidad de Ulm (febrero 2023 – marzo 2024). Los datos incluyeron registros de salud electrónicos (EHR) y un Conjunto de Datos Geriátricos Mínimos (MGDS) que contenía variables como el Índice de Barthel, la Escala de Fragilidad Clínica (CFS), la Evaluación Cognitiva de Montreal (MoCA), recuentos de polifarmacia y detalles quirúrgicos.
• Verdad de Referencia (Ground Truth): Los destinos de alta se categorizaron en cuatro clases: hogar, unidad de cuidados geriátricos agudos, centro de rehabilitación postagudo y residencia de ancianos. La "verdad de referencia" fue definida por las recomendaciones de expertos derivadas de consultas geriátricas presenciales, el MGDS y la revisión conjunta por dos geriatras experimentados, en lugar de las decisiones rutinarias del estándar de atención.
• Algoritmo: Se seleccionó un clasificador AdaBoost utilizando tocones de árboles de decisión (decision tree stumps) para priorizar la transparencia e interpretabilidad del modelo sobre la complejidad de "caja negra". El modelo empleó una estrategia de clasificación multiclase de uno contra uno para manejar el desequilibrio de clases.
• Marco de Validación: Se utilizó un marco de validación cruzada de 5 pliegues (5-fold CV). Para abordar el tamaño limitado de la muestra, el conjunto de entrenamiento se aumentó con 82 muestras de un registro de traumatología ortogeriátrica (registro ATZ), con los pliegues reutilizados de un estudio complementario para evitar la fuga de información. Los hiperparámetros (incluyendo la inclusión de datos de ATZ, número de estimadores, tasa de aprendizaje y divisiones de calibración) se optimizaron mediante búsqueda de cuadrícula (grid search) dentro de los pliegues de entrenamiento.
• Métricas de Evaluación: El rendimiento se evaluó mediante precisión, el Área Bajo la Curva (AUC) de la Característica de Operación del Receptor (ROC) promediada por micro, Valores Predictivos Positivo/Negativo (PPV/NPV) y calibración (puntuación de Brier). Se realizó una simulación de "humano en el bucle" (human-in-the-loop) excluyendo el 15% de las predicciones con mayor incertidumbre (probabilidades predichas más bajas) para evaluar el impacto de señalar casos complejos para revisión manual.
• Comparación Estadística: La precisión del modelo de ML se comparó contra las decisiones del estándar de atención publicadas previamente utilizando la prueba de McNemar.

Contribuciones Clave

1. Desarrollo de Algoritmo: La creación de un modelo de ML explicable y consciente de la incertidumbre, diseñado específicamente para predecir destinos de alta geriátrica utilizando datos de EHR y CGA.
2. Benchmarking de Rendimiento: Comparación directa del modelo de ML contra las decisiones del estándar de atención, demostrando que el algoritmo puede alinearse mejor con las recomendaciones de expertos en geriatría que la práctica clínica rutinaria.
3. Estrategia de Humano en el Bucle: Demostración de que filtrar las predicciones de alta incertidumbre (el 15% inferior) mejora significamente la precisión de las recomendaciones automatizadas restantes, ofreciendo una vía práctica para la integración clínica.
4. Interpretabilidad: Identificación de los principales impulsores clínicos (por ejemplo, umbrales del Índice de Barthel, puntuaciones de CFS, edad y polifarmacia) y la derivación de un sistema de puntuación preliminar para ayudar a los clínicos a identificar pacientes aptos para cuidados geriátricos agudos.

Resultados

• Precisión General: El modelo de ML alcanzó una precisión de validación interna del 82% (IC 95% 0.76–0.86) al coincidir con las recomendaciones de los expertos. Esto representó una mejora estadísticamente significativa respecto a las decisiones del estándar de atención, que alcanzaron un 73% de precisión (124/169 correctas vs. 138/169 correctas para el ML; p = 0.041).
• Poder Discriminativo: El modelo demostró un AUC ROC promediado por micro de 0.94 (IC 95% 0.92–0.96).
  • AUC para alta en el hogar: 0.93
  • AUC para unidad de cuidados geriátricos agudos: 0.89
  • AUC para residencia de ancianos: 0.98
  • AUC para centro de rehabilitación: 0.52 (notado como un desafío debido al pequeño tamaño de la muestra y factores situacionales).
• Rendimiento de Humano en el Bucle: Cuando se excluyeron el 15% de las predicciones con mayor incertidumbre, la precisión de las predicciones restantes más seguras aumentó al 85% (IC 95% 0.80–0.90), con un aumento correspondiente en el AUC promediado por micro a 0.95 (p = 0.006 comparado con el estándar de atención).
• Predictores Clave: La inspección del modelo identificó los siguientes como los predictores más influyentes:
  • Índice de Barthel ≤ 50 en el tercer día postoperatorio.
  • Escala de Fragilidad Clínica (CFS) ≥ 5.
  • Índice de Barthel ≤ 60 en el primer día postoperatorio.
  • Edad ≥ 88 años.
  • Polifarmacia (≥ 8 medicamentos).
• Calibración: El modelo mostró una buena calibración (puntuación de Brier 0.33), con probabilidades predichas que se alinean estrechamente con los resultados observados.

Significancia y Reivindicaciones
Los autores posicionan este estudio como una prueba de concepto que demuestra que un enfoque basado en ML puede apoyar eficazmente la planificación de altas individualizada para pacientes quirúrgicos geriátricos. La principal significancia radica en la capacidad del modelo para superar significativamente el estándar de atención actual en la alineación con el juicio de expertos geriátricos (82% vs. 73% de congruencia).

El artículo enfatiza que el modelo está diseñado como una herramienta de apoyo en lugar de un decisor autónomo. Al emitir probabilidades calibradas e incorporar un mecanismo de "humano en el bucle" para los casos de alta incertidumbre, el enfoque pretende mejorar la seguridad del paciente y la eficiencia operativa sin reemplazar el juicio clínico. Los autores declaran explícamente que, si bien el algoritmo muestra una alta validez interna y poder discriminativo, estos resultados aún no constituyen la validación de la eficacia clínica. Por consiguiente, el estudio sirve como la base empírica para un ensayo intervencional en curso (DRKS00030684) que evalúa actualmente el impacto en el mundo real de este sistema de apoyo a la decisión en los resultados de los pacientes y la calidad de las altas.

Los autores mantienen la modestia respecto a las limitaciones, señalando que los tamaños de muestra pequeños para las clases minoritarias (rehabilitación y residencia de ancianos) limitan la estabilidad de las predicciones para esas categorías específicas y que los resultados son estimaciones de validación interna sujetas a un posible sobreajuste (overfitting). El estudio concluye que la transición de un algoritmo de alto rendimiento a una herramienta clínica fiable requiere más evidencia de ensayos clínicos.