Interpretable Machine Learning for Identifying High SBS-Related Symptom Burden Among Endoscopy-Center Staff: A Multicenter Cross-Sectional Study Across 184 Hospitals

Resumen Técnico: Aprendizaje Automático Interpretable para la Identificación de una Alta Carga de Síntomas Relacionados con el SBS entre el Personal de Centros de Endoscopia

Planteamiento del Problema
El personal de los centros de endoscopia se enfrenta a riesgos complejos para la salud ocupacional debido a la exposición crónica a desinfectantes químicos (p. ej., glutaraldehído, ortoftalaldehído), peligros biológicos y aerosoles. Si bien investigaciones previas se han centrado en enfermedades diagnosticadas, los trabajadores suelen experimentar molestias persistentes y no específicas (fatiga, irritación, trastornos del sueño) antes de la aparición de enfermedades manifiestas. Este estado, caracterizado por síntomas relacionados con el Síndrome del Edificio Enfermo (SBS, por sus siglas en inglés), es multifactorial e involucra interacciones entre la exposición química, la calidad del aire interior y el estrés psicosocial. Los estudios existentes están limitados por su enfoque en factores de exposición únicos, diseños de un solo centro y el uso de modelos lineales convencionales que tienen dificultades con la naturaleza no lineal, de alta dimensión y correlacionada de los datos ocupacionales del mundo real. Existe la necesidad de un enfoque multidimensional para identificar individuos de alto riesgo y determinantes accionables para la intervención temprana.

Metodología
El estudio empleó un diseño transversal multicéntrico que involucró 319 cuestionarios válidos de personal de centros de endoscopia en 184 hospitales de cinco provincias chinas.

• Recopilación de Datos y Definición del Resultado: Un cuestionario estructurado evaluó la demografía, el estilo de vida, el estado de salud, el entorno laboral y las percepciones relacionadas con el trabajo. El resultado primario fue una "puntuación de carga de síntomas relacionados con el SBS" derivada de 29 ítems de síntomas (oculares, respiratorios, neurológicos/del sueño, dermatológicos y gastrointestinales/emocionales) reportados durante las dos semanas anteriores. Las puntuaciones se dicotomizaron utilizando el percentil 75 de la muestra (P75 = 24.5) para definir un grupo de "alta carga de síntomas" (puntuación ≥ 24.5) frente a un grupo de baja carga.
• Selección de Características: Se empleó la Eliminación Recursiva de Características con Validación Cruzada (RFECV) utilizando un Vector de Soporte (SVM) como estimador base para seleccionar las variables más predictivas del conjunto inicial. Este proceso redujo el conjunto de características a 12 candidatas, que fueron refinadas posteriormente a 10 basadas en el análisis de importancia SHAP (excluyendo el género y el consumo de alcohol, que mostraron una importancia de cero).
• Estrategia de Modelado: Se compararon nueve algoritmos de aprendizaje supervisado (XGBoost, Regresión Logística, LightGBM, Random Forest, AdaBoost, KNN, SVM, Árbol de Decisión, GBDT) mediante validación cruzada de cinco pliegues. Los hiperparámetros se ajustaron mediante búsqueda de cuadrícula (grid search). La Regresión Logística fue seleccionada como el modelo final debido a su AUC superior y su calibración (menor puntuación de Brier) en los pliegues de validación.
• Interpretabilidad: El modelo final se interpretó utilizando explicaciones de Shapley Aditivas (SHAP) para cuantificar las contribuciones de las características tanto a nivel global (importancia a nivel de población) como individual.
• Validación: El conjunto de datos se dividió en un conjunto de entrenamiento (70%) y un conjunto de prueba independiente (30%). El rendimiento del modelo se evaluó mediante AUC, precisión, sensibilidad, especificidad, valores predictivos positivos/negativos, puntuación F1 y la kappa de Cohen.

Result mayoría de Resultados Clave

• Características de los Participantes: La cohorte fue predominantemente femenina (93.7%) con una mediana de edad de 34 años. El grupo de alta carga de síntomas (25.1% de los participantes) reportó una satisfacción significativamente menor con la temperatura, la humedad y el aire fresco del lugar de trabajo, mayor estrés laboral y una peor calidad del sueño en comparación con el grupo de baja carga.
• Rendimiento del Modelo: La Regresión Logística demostró el mejor rendimiento. En el conjunto de prueba independiente, el modelo logró:
  • AUC: 0.891
  • Precisión (Accuracy): 0.823
  • Sensibilidad: 0.750
  • Especificidad: 0.847
  • Valor Predictivo Negativo (VPN): 0.910
  • Valor Predictivo Positivo (VPP): 0.621
  • Puntuación F1: 0.679
  • Kappa de Cohen: 0.558
    El modelo mostró una buena calibración (puntuación de Brier: 0.113) y el análisis de la curva de decisión indicó un beneficio neto sobre las estrategias de "tratar a todos" o "no tratar a nadie" a través de un amplio rango de umbrales de probabilidad.
• Predictores Clave (Análisis SHAP): Los predictores más influyentes para la alta carga de síntomas fueron:
  1. Olor en el lugar de trabajo (mayor impacto)
  2. Calidad del aire percibida
  3. Síntomas similares en compañeros de trabajo
  4. Estrés laboral
  5. Satisfacción con el suministro de aire fresco
     Otros factores significativos incluyeron la calidad del sueño, la ventilación en el hogar, la duración del sueño, las visitas al hospital por síntomas y las enfermedades preexistentes. El análisis reveló que las condiciones adversas (p. ej., olores fuertes, mala calidad del aire, alto estrés) desplazaron las predicciones hacia una alta carga de síntomas, mientras que los factores protectores (p. ej., buen sueño, ausencia de síntomas en compañeros) desplazaron las predicciones hacia una baja carga.

Significancia y Reivindicaciones
Los autores afirman que este estudio desarrolló y validó con éxito un modelo de aprendizaje automático interpretable capaz de identificar al personal de los centros de endoscopia con una alta carga de síntomas relacionados con el SBS en una etapa de pre-enfermedad. La significancia del trabajo radica en tres áreas principales:

1. Integración Multidimensional: El modelo va más allá del análisis de un solo factor, demostrando que la alta carga de síntomas surge del impacto acumulativo de las condiciones del aire en el lugar de trabajo, la carga psicosocial y el estado de recuperación individual.
2. Información Accionable: Mediante el uso de SHAP, el estudio identifica determinantes específicos y accionables (p. ej., olor, suministro de aire fresco, estrés laboral) en lugar de solo puntuaciones de riesgo abstractas. Esto permite intervenciones dirigidas, como la optimización de la gestión de la ventilación y el abordaje de los estresores psicosociales.
3. Utilidad Práctica: El modelo se basa en variables obtenibles mediante cuestionarios de rutina, lo que sugiere que puede servir como una herramienta práctica para la estratificación del riesgo de salud ocupacional. Facilita la detección de peligros a nivel de departamento (a través de "síntomas similares en compañeros de trabajo") y el cribado de riesgo individual, facilitando la vigilancia de la salud proactiva y la optimación ambiental en los centros de endoscopia.

Los autores mantienen una postura modesta, reconociendo que el diseño transversal impide la inferencia causal y que la dependencia de datos ambientales autoinformados puede introducir sesgos subjetivos. Señalan que la generalizabilidad de su modelo a otros roles ocupacionales o entornos sanitarios requiere una evaluación adicional.