Predicting Hospitalization Cost Overruns for Pulmonary Infections via Integrated Statistical Learning Methods

Resumen Técnico: Predicción de Desbordamientos de Costos de Hospitalización para Infecciones Pulmonares mediante Métodos Integrados de Aprendizaje Estadístico

Planteamiento del Problema
Los desbordamientos de costos médicos entre pacientes hospitalizados con infecciones pulmonares representan un desafío significativo para la eficiencia en la gestión hospitalaria, particularmente en el contexto de las reformas de pago por Grupos Relacionados por el Diagnóstico (DRG). La literatura existente reconoce la alta carga económica de las enfermedades respiratorias, pero existe una escasez de análisis profundos que combinen algoritmos avanzados de selección de variables con el aprendizaje estadístico de máquina para identificar impulsores de costos específicos. Los enfoques tradicionales suelen depender de una selección de variables subjetiva y por pasos, así como de supuestos lineales, lo que puede no capturar las estructuras de covarianza complejas o las relaciones no lineales inherentes a los datos médicos. Por el contrario, los modelos de aprendizaje automático de "caja negra", aunque precisos, carecen de la interpretabilidad necesaria para la toma de decisiones políticas y la gestión clínica. Este estudio tiene como objetivo cerrar esta brecha mediante la construcción de un marco analítico robusto para identificar los factores centrales que impulsan los desbordamientos de costos de hospitalización por infecciones pulmonares.

Metodología
El estudio utilizó un conjunto de datos exhaustivo de 1,826 registros de pacientes hospitalizados de un hospital terciario de Grado A a gran escala en la provincia de Sichuan, que abarca el período de enero de 2023 a diciembre de 2024. Se incluyó a pacientes que presentaban un diagnóstico primario de infección pulmonar, clasificados bajo códigos CHS-DRG específicos (ES31, ES33, ES35, ES38), y que tenían 14 años o más. Los datos se dividieron en una proporción 1:1 en conjuntos de entrenamiento y de prueba.

La investigación empleó un marco de aprendizaje estadístico integrado que consta de cuatro etapas clave:

1. Preprocesamiento de Datos: Las variables se sometieron a un cribado de dispersión (eliminación de varianza cercana a cero) y a un análisis univariante (pruebas de Wilcoxon rank-sum y Chi-cuadrado). Se utilizó una matriz de correlación de Spearman para eliminar variables altamente redundantes ($|r| > 0.8$).
2. Selección Global de Características: Para superar las limitaciones de la regresión de paso tradicional y de LASSO, se empleó el algoritmo de Selección de Subconjuntos Óptimos Adaptativos (ABESS). Este método optimiza la restricción de la norma $L_0$ para encontrar una combinación de características dispersas globalmente óptima, garantizando la objetividad y la estabilidad en la selección de variables.
3. Modelado de Referencia y Exploración No Lineal: Se construyó un modelo de regresión logística multivariable utilizando las variables seleccionadas por ABESS. Para abordar posibles no linealidades, se introdujo un Modelo Aditivo Generalizado (GAM), aplicando específicamente una función de suavizado a la variable de "estancia hospitalaria" (LOS).
4. Validación mediante Aprendizaje Automático: Se utilizaron los algoritmos Random Forest y XGBoost como referentes externos para validar la robustez discriminatoria y la capacidad de generalización del modelo logístico. Estos modelos sirvieron para realizar una referencia cruzada de la importancia de las variables y asegurar la consistencia de los impulsores de costos identificados.

Resultos Clave

• Selección de Variables: El algoritmo ABESS identificó nueve indicadores predictivos centrales: código DRG, sexo, estancia hospitalaria, número de diagnósticos, proteína C reactiva (PCR), creatinina, hipoproteinemia, uso de antibióticos de alto nivel y uso de inmunoglobulina.
• Desempeño de la Regresión Logística: El modelo logístico de referencia demostró una alta precisión predictiva, con valores de Área Bajo la Curva (AUC) de 0.915 (entrenamiento) y 0.904 (validación). Los principales impulsores significativos incluyeron:
  • Estancia Hospitalaria (LOS): Un incremento de un día en la LOS se asoció con un aumento del 59.7% en las probabilidades de desbordamiento de costos (OR = 1.597, $P < 0.001$).
  • Número de Diagnósticos: Cada diagnóstico adicional aumentó las probabilidades de desbordamiento en un 13.6% (OR = 1.136, $P < 0.001$).
  • Sexo: Los pacientes masculinos mostraron un mayor riesgo de desbordamiento (OR = 1.697, $P = 0.018$).
  • Código DRG: Los códigos de mayor complejidad (por ejemplo, ES31) se relacionaron inversamente con los desbordamientos en este contexto específico (OR = 0.122), lo que sugiere diferencias en la asignación de recursos.
• Perspectivas No Lineales: El análisis GAM confirmó una relación no lineal entre la LOS y los desbordamientos de costos, donde la tasa de crecimiento del riesgo de desbordamiento se desaceleró a medida que aumentaba la LOS. Aunque el GAM mostró una mejora marginal en el AUC (0.939 entrenamiento, 0.910 prueba), su valor principal fue aislar la interferencia no lineal de las variables continuas.
• Validación de Aprendizaje Automático: Los modelos Random Forest y XGBoost alcanzaron AUC de entrenamiento más altos (0.969 y 0.974, respectivamente) pero mostraron signos de sobreajuste en los conjuntos de prueba (0.873 y 0.913). Crucialmente, ambos algoritmos clasificaron consistentemente la "Estancia Hospitalaria" y el "Código DRG" como las dos características más importantes, corroborando los hallazgos del modelo logístico interpretable.
• Uso de Medicamentos Específicos: El uso de inmunoglobulinas emergió como un impulsor de riesgo significativo en el GAM (OR = 8.188, $P = 0.039$), aunque solo fue marginalmente significativo en el modelo logístico. Los autores atribuyen esto a la naturaleza de "nicho pero de alto consumo" de este fármaco, lo que genera escasez de datos.

Significancia y Reivindicaciones
El documento reivindica tres contribuciones principales:

1. Representatividad de los Datos: El uso de un conjunto de datos amplio y exhaustivo de un hospital de primer nivel asegura una fuerte representatividad regional y un valor de referencia clínica.
2. Innovación Metodológica: Al integrar el algoritmo ABESS para la selección de características óptimas globales y el GAM para capturar trayectorias no lineales, el estudio mitiga el sesgo de especificación del modelo y mejora la objetividad de la selección de variables en comparación con los métodos de paso tradicionales.
3. Marco Híbrido Robusto: El estudio establece un marco de "explicación de referencia + exploración no lineal + validación de aprendizaje automático". Este enfoque equilibra la rigurosa interpretabilidad de la estadística tradicional con el poder predictivo del aprendizaje automático.

Los autores concluyen que, si bien los modelos de aprendizaje automático ofrecen límites de ajuste superiores, el modelo de regresión logística —complementado por el GAM para tendencias no lineales— proporciona una herramienta más transparente y clínicamente accionable para identificar los impulsores centrales de costos. Este marco apoya una gestión refinada bajo las políticas de DRG al ofrecer soporte de decisión que es tanto estadísticamente robusto como interpretable para los administradores hospitalarios y los responsables de políticas. El estudio reconoce las limitaciones de generalización debido a su diseño de centro único y sugiere que el trabajo futuro debería incorporar factores socioeconómicos y validación multicéntrica.