Statistical learning and prediction of diseases associated with the occurrence of death in the emergency department: An observational study on administrative data from Saint Joseph Hospital in Kinshasa-DRC

Imagina que estás entrando en una estación de tren bulliciosa y caótica. La gente entra corriendo desde todas las direcciones, algunos con un tobillo torcido, otros agarrándose el pecho y otros con aspecto de estar completamente perdidos. El trabajo del gerente de la estación es determinar quién necesita ayuda inmediata y quién puede esperar, todo esto mientras intenta predecir quién podría no salir con vida de la estación. Esto es exactamente lo que sucede en la sala de emergencias de un hospital. Es la puerta de entrada a la atención médica, un lugar donde la vida y la muerte suelen pender de un hilo.

Durante mucho tiempo, los médicos han intentado adivinar qué pacientes están en mayor peligro. Utilizan herramientas como listas de verificación o su propia experiencia, algo así como un pronosticador del tiempo que observa las nubes para predecir una tormenta. Pero a veces, las nubes son engañosas, y la tormenta llega cuando nadie lo esperaba. Aquí es donde entra el "aprendizaje estadístico". Piensa en esto como darle al pronosticador del tiempo un cerebro de computadora súper inteligente. En lugar de mirar solo unas pocas nubes, este cerebro de computadora observa miles de tormentas pasadas, aprende los patrones y descubre qué combinaciones específicas de condiciones climáticas suelen conducir a un desastre. En el mundo de la medicina, esto significa alimentar a una computadora con datos de pacientes pasados —qué enfermedades padecían, qué edad tenían y qué les sucedió— para ver si la computadora puede detectar los patrones ocultos que conducen a la muerte, patrones que un humano podría pasar por alto.

---

El Gran Experimento en el Hospital Saint Joseph

En la República Democrática del Congo, en un lugar llamado Hospital Saint Joseph en Kinshasa, un equipo de investigadores decidió dejar que este "cerebro de computadora súper inteligente" echara un vistazo a su sala de emergencias. Querían saber: de todas las diferentes enfermedades que la gente trae, ¿cuáles son las mayores señales de alerta de muerte?

No se limitaron a adivinar; regresaron en el tiempo. Investigaron los registros en papel de 5,172 pacientes que entraron en el departamento de emergencias entre el 1 de enero de 2018 y el 31 de diciembre de 2019. Fue como mirar un álbum de fotos gigante de más de 5,000 historias. Anotaron la edad del paciente, el género, cuántas cosas estaban mal con ellos y, lo más importante, si sobrevivieron o fallecieron. En este grupo, aproximadamente el 7.5% de las personas no sobrevivieron a su visita.

Enseñando a la Computadora a Ver

Los investigadores tenían un problema: ¡los médicos habían escrito más de mil formas diferentes de describir enfermedades! Un médico podría escribir "dolor de barriga fuerte", mientras que otro escribe "abdomen quirúrgico". Para dar sentido a esto, el equipo actuó como un bibliotecario organizando una estantería desordenada. Agruparon todas esas miles de descripciones desordenadas en 19 categorías ordenadas, como "Cánceres", "Malaria", "Choque" o "Lesiones cerebrales".

Luego, dividieron sus datos en dos montones. Le dieron el 70% de las historias a la computadora para que las estudiara (el conjunto de "entrenamiento") y mantuvieron el otro 30% oculto (el conjunto de "prueba"). Le pidieron a la computadora que intentara seis formas diferentes de aprender, algo así como probar seis métodos de estudio diferentes para ver cuál obtiene las mejores notas.

Los Resultados: ¿Quién Ganó la Carrera?

La computadora probó seis diferentes "estilos de aprendizaje":

1. ElasticNet (un método que equilibra diferentes pistas)
2. Regresión Logística (un método matemático clásico)
3. Redes Neuronales (imitando el cerebro humano)
4. xGBoost (un poderoso método de potenciación o boosting)
5. Árboles de Decisión (tomando decisiones de sí/no como un diagrama de flujo)
6. Bosque Aleatorio (Random Forest) (un montón de árboles de decisión trabajando juntos)

Cuando probaron estos métodos con el 30% de los pacientes ocultos, los resultados fueron claros. Cuatro de los modelos hicieron un trabajo bastante bueno, pero dos de ellos tropezaron gravemente. Los modelos de Árboles de Decisión y Bosque Aleatorio fueron como estudiantes que olvidaron estudiar; su desempeño fue tan pobre que apenas fueron mejores que lanzar una moneda al aire.

Los ganadores fueron ElasticNet, Regresión Logística, Redes Neuronales y xGBoost. Entre ellos, ElasticNet fue el campeón, obteniendo la puntuación de "exactitud" más alta (técnicamente llamada un AUC de 0.736). Esta puntuación sugiere que el modelo es bastante bueno para distinguir entre los pacientes que sobrevivirán y aquellos que no lo harán, aunque no es perfecto.

Las Seis Principales Señales de Peligro

Entonces, ¿qué aprendió el cerebro de computadora ganador? Identificó los seis tipos específicos de enfermedades que estaban más fuertemente vinculados con la muerte en ese hospital. Si fueras un médico en el Hospital Saint Joseph, estas son las seis condiciones que deberían hacerte presionar el botón de "alerta máxima":

1. Estados de choque: Cuando los sistemas del cuerpo se están colapsando (como un motor de auto sobrecalentándose y deteniéndose bruscamente).
2. Sepsis: Una infección grave y generalizada en todo el cuerpo.
3. Tuberculosis o enfermedades pulmonares: Problemas con la respiración y los pulmones.
4. Coma: Un estado profundo de inconsciencia.
5. Meningoencefalitis: Inflamación del cerebro y su recubrimiento.
6. Cáncer: Tumores y enfermedades relacionadas.

Curiosamente, la computadora también encontró que la Malaria, que es muy común en esa parte del mundo, era el séptimo predictor más importante, incluso aunque los métodos matemáticos tradicionales no pensaban que fuera tan importante. También notó que "otros traumas" (como accidentes de auto y caídas) eran significativos, probablemente porque el hospital está justo al lado de una carretera transitada que conduce al aeropuerto.

Lo Que Esto Significa (y Lo Que No Significa)

Los investigadores son cuidadosos al decir que esto no es una varita mágica que lo resuelve todo. Admiten que su estudio tiene límites. Solo observaron un hospital, por lo que no podemos estar 100% seguros de que estas reglas exactas se apliquen a todos los hospitales del mundo. Además, debido a que utilizaron registros de papel antiguos, alguna información pudo haber sido escrita de manera ligeramente diferente por distintos médicos, lo que pudo haber confundido un poco a la computadora. La computadora también tuvo dificultades para predecir los casos raros donde las personas morían, prediciendo a menudo "sobrevivencia" solo para estar a salvo, lo cual es un problema común cuando la muerte es un evento poco frecuente.

Sin embargo, el estudio sugiere que el uso de estas herramientas de aprendizaje estadístico puede ayudar a los médicos y administradores de hospitales a tomar mejores decisiones. Al saber que el choque, la sepsis y los problemas pulmonares son los principales asesinos, el hospital puede centrar sus limitados recursos en vigilar a esos pacientes con especial atención. Es como tener un sistema de alarma inteligente que te dice exactamente qué puertas cerrar primero cuando se acerca una tormenta. Los autores esperan que en el futuro más estudios confirmen estos hallazgos, ayudando a los médicos en lugares con menos recursos a salvar más vidas.