Feature engineering of digital health data for machine learning prediction of COPD exacerbations in a real-world cohort

Resumen Técnico: Ingeniería de Características para la Predicción de Exacerbaciones de la EPOC

Planteamiento del Problema
Las exacerbaciones de la Enfermedad Pulmonar Obstructiva Crónica (EPOC) son un principal motor de morbilidad, mortalidad y hospitalizaciones; sin embargo, los modelos de predicción a corto plazo efectivos siguen siendo limitados. Aunque las plataformas digitales de autogestión generan datos longitudinales, los intentos previos de predecir exacerbaciones utilizando conjuntos limitados de características autoinformadas han arrojado solo una precisión modesta. Además, no está claro si la integración de datos de actividad física capturados de forma rutinaria (por ejemplo, recuentos de pasos mediante dispositivos de muñeca) proporciona un valor predictivo adicional más allá de los datos de síntomas y estado de salud. Este estudio aborda la necesidad de sistemas de alerta temprana escalables que puedan distinguir entre periodos estables y exacerbaciones inminentes utilizando datos de salud digital del mundo real.

Metodología
El estudio utilizó una cohorte retrospectiva de 5,865 usuarios de la plataforma de autogestión digital myCOPD. El análisis se centró en dos cohortes: una cohorte analítica primaria de 4,223 usuarios con al menos una entrada etiquetada en la aplicación, y un subgrupo de dispositivos portátiles (wearables) de 459 usuarios con datos de recuento de pasos vinculados de dispositivos de muñeca.

• Tarea de Predicción: El modelo predijo si ocurriría una exacerbación (definida como una puntuación de síntomas de 3 o 4) dentro de las próximas 1 a 3 entradas de la aplicación del paciente, en lugar de en intervalos de calendario fijos. Este enfoque refleja un caso de uso pragmático, impulsado por el compromiso (engagement).
• Ingeniería de Características: Los autores fueron más allá de las variables puras hacia un conjunto de características ingenierizadas de gran riqueza.
  • Características Dinámicas: Incluyeron el estado actual de los síntomas, valores rezagados (lagged values: 1, 2, 3, 7 entradas), resúmenes móviles (medias, desviaciones estándar) y desviaciones de las líneas base personalizadas (calculadas a partir de entradas históricamente estables).
  • Historial de Exacerbaciones: Las características capturaron la recencia y frecuencia de eventos previos (por ejemplo, recuentos sobre 28/90 entradas, tiempo desde el último evento).
  • Clínica y Compromiso: Se incluyeron puntuaciones del Test de Evaluación de la EPOC (CAT), uso de medicación, carga de rehabilitación pulmonar y métricas de compromiso con la aplicación.
  • Datos de Dispositivos Portátiles (Wearables): En el subgrupo, las características del recuento de pasos se diseñaron de forma similar a los datos de la aplicación, incluyendo valores rezagados, estadísticas móviles y desviaciones de una línea base de pasos personal.
• Estrategia de Modelado: Se entrenaron clasificadores de potenciación de gradiente XGBoost utilizando validación cruzada anidada agrupada para asegurar la separación a nivel de paciente entre los conjuntos de entrenamiento y de prueba (evitando la fuga de datos o data leakage).
  • Cohorte Primaria: Entrenada con 547,465 entradas etiquetadas.
  • Estudio de Ablación: En el subgrupo de dispositivos portátiles, se compararon dos modelos idénticos: uno con solo características derivadas de la aplicación, y otro con características de la aplicación más características de recuento de pasos.
• Evaluación: El rendimiento se evaluó mediante el AUC de Precisión-Recall (PR-AUC), el AUC de la curva ROC, la precisión y la exhaustividad (recall). Los umbrales se optimizaron para maximizar la puntuación F1 dentro de los pliegues de entrenamiento para equilibrar la sensibilidad y el valor predictivo positivo en un entorno de baja prevalencia (clase positiva del 4.8%).

Resultados Clave

• Rendimiento del Modelo Primario: En la cohorte principal, el modelo alcanzó un PR-AUC medio de 0.284 y un ROC-AUC medio de 0.834. En el umbral optimizado, el modelo logró una precisión media del 29.8% y una exhaustividad del 41.2%. Esto representa una mejora significativa en la precisión en comparación con los esfuerzos de modelado previos de myCOPD (aprox. 7% de precisión) bajo un marco de validación más estricto.
• Horizontes Predictivos: Las alertas positivas fueron seguidas por una exacerbación autoinformada en casi el 30% de los casos. La mediana de tiempo desde una alerta positiva hasta la primera entrada de exacerbación fue de 5 días, con un 39.5% ocurriendo dentro de 3 días y un 56.0% dentro de 7 días.
• Importancia de las Características: Los predictores más fuertes fueron las variables derivadas de los síntomas (estado actual, variabilidad y valores rezagados) y el historial de exacerbaciones recientes. Las características derivadas del CAT y los patrones de compromiso contribuyeron significativamente, mientras que las características clínicas estáticas (por ejemplo, edad, historial de tabaquismo) fueron menos influyentes.
• Ablación de Wearables: En el subgrupo de dispositivos portátiles, la adición de características de recuento de pasos no mejoró materialmente el rendimiento. El modelo basado solo en la aplicación y el modelo de aplicación más pasos arrojaron resultados casi idénticos (por ejemplo, PR-AUC 0.162 vs. 0.163; Precisión 0.214 vs. 0.214). El análisis de trayectoria descriptivo confirmó que las desviaciones en el recuento de pasos mostraron diferencias solo modestas e inconsistentes antes de las exacerbaciones, en comparación con la separación más clara observada en las trayectorias de CAT y de síntomas.

Significancia y Reivindicaciones
Los autores afirman que este estudio demuestra la viabilidad de escalar la predicción de exacerbaciones utilizando datos de autogestión digital recolectados de forma rutinaria. La contribución principal es la validación de que las representaciones de las trayectorias de síntomas y estado de salud mediante ingeniería de características mejoran significativamente la precisión de la predicción en comparación con los conjuntos de características puras o limitadas, incluso bajo una validación estricta a nivel de paciente.

El estudio concluye que las señales de síntomas autoinformadas capturadas a través de plataformas digitales proporcionan advertencias tempranas útiles de exacerbaciones inminentes. En contraste, los autores afirman que los recuentos de pasos de la muñeca, tal como se capturan en este cohorte y contexto específicos, ofrecen un valor incremental limitado más allá de los ricos datos de síntomas y CAT. Los hallazgos sugieren que, para esta tarea de predicción específica, la "señal" de una exacerbación inminente está contenida más fuertemente en la carga de síntomas reportada por el paciente y su historial que en sus niveles de actividad física. Los autores enfatizan que el modelo funciona como un sistema de alerta temprana a corto plazo activado por el compromiso del usuario, en lugar de un predictor de días fijos en el calendario, y que la utilidad futura depende de la traducción de estas señales predictivas en intervenciones clínicas o de autogestión accionables.