Los registros hospitalarios bastan para predecir quién vuelve en treinta días sin leer notas clínicas

De códigos hospitalarios a conceptos médicos

Los registros hospitalarios almacenan miles de códigos breves que resultan ininteligibles para quien no domina el sistema de codificación. Un código de diagnóstico identifica una enfermedad. Uno de procedimiento, una operación. Los resultados analíticos y los nombres de fármacos añaden capas adicionales, cada una con su propio vocabulario. El método sustituye estos códigos crudos por conceptos médicos explícitos que cualquier clínico puede reconocer. Para ello consulta cuatro fuentes externas de conocimiento, diseñadas para organizar distintos tipos de registros. En el caso de las enfermedades, emplea un mapa conceptual que vincula diagnósticos específicos con categorías más amplias o más estrechas: así, el código de una neumonía puede situarse bajo «enfermedad respiratoria» y, a la vez, apuntar a una patología más precisa. Para los procedimientos, agrupa numerosos códigos quirúrgicos en familias clínicamente coherentes. Por ejemplo, una prótesis de rodilla y un procedimiento articular relacionado comparten grupo sin perder su distinción. Con los fármacos, elimina marcas comerciales y formulaciones para quedarse solo con el principio activo: dos comprimidos con etiquetas distintas se tratan como el mismo medicamento si contienen ese ingrediente común. En cuanto a las pruebas de laboratorio, asigna cada una a un sistema orgánico o proceso corporal, de modo que un panel de función renal y otro de enzimas hepáticas pasan a ser señales diferenciadas y nombradas. El resultado es un perfil del paciente compuesto por nombres explícitos, no por números ocultos en un vector opaco. Cada característica del modelo se puede rastrear hasta un elemento clínico concreto, como una categoría de enfermedad o un principio activo. Esto facilita la inspección de la representación, ya que cada entrada no nula lleva asociada una etiqueta médica. Además, el perfil es disperso: la mayoría de los pacientes no presenta todos los diagnósticos, procedimientos, anomalías analíticas o fármacos posibles. El conjunto estructurado de características contiene 23 430 dimensiones nombradas, y el 99,78 % de las entradas están vacías. En cambio, una alternativa basada en transformadores almacena vectores densos con 2 481 dimensiones. Para la cohorte completa, el conjunto de conceptos nombrados ocupa unas 24 veces menos espacio: unos 176 MB frente a los aproximadamente 4,2 GB que requiere la versión densa. Esta diferencia es crucial cuando un hospital desea mantener muchos registros en un modelo operativo. También implica que el método no necesita notas clínicas en texto libre, que suelen ser más difíciles de obtener y auditar. Los conceptos nombrados provienen de recursos como MONDO, Orphanet y RxNorm, que proporcionan un lenguaje médico compartido para que el mismo código se interprete igual en distintos sistemas hospitalarios. Este enfoque mantiene al modelo cerca del significado clínico porque cada característica sigue nombrando un elemento real: un médico o analista de datos puede preguntar qué significa una variable y obtener una respuesta directa. Esa claridad es la clave de convertir códigos en conceptos médicos con nombre.

Los datos de ingresos sobre los que se apoya la predicción

Los ingresos proceden del sistema de registro de un único hospital, con datos anonimizados y abarcando el periodo comprendido entre 2008 y 2019. Tras excluir a los menores de 18 años y a quienes fallecieron durante la estancia, la cohorte finaliza en 422 622 ingresos, correspondientes a 176 901 personas distintas en toda la base de datos. El grupo es aproximadamente mitad femenino y tiene una edad media de 56,6 años.

Cada ingreso incluye campos estructurados como diagnósticos, procedimientos, pruebas de laboratorio y medicamentos. Para cada alta, el objetivo es determinar si esa misma persona vuelve a ingresar dentro de los 30 días naturales siguientes. Si regresa en ese plazo, el caso se clasifica como positivo. Si no lo hace, es negativo. En la cohorte completa, aproximadamente uno de cada cinco ingresos resulta positivo, con una tasa del 20,1 %.

Esta tasa base fija un umbral bajo para cualquier modelo que simplemente prediga la ausencia de readmisión. Para garantizar una evaluación rigurosa, las divisiones se realizan a nivel de paciente, de modo que ninguna persona aparezca en más de un conjunto: el de entrenamiento contiene 253 254 ingresos, el de validación 84 328 y el de prueba 85 040. Esta estructura impide que el historial posterior de una persona se filtre al entrenamiento anterior.

Los campos estructurados incluyen 25 809 códigos de diagnóstico, 12 575 códigos de procedimiento y 9 610 nombres de medicamentos recetados. Esa variedad ofrece al modelo numerosas señales clínicas distintas para ponderar. Al estar los datos anonimizados, ningún nombre de paciente forma parte de la tarea. Además, al provenir de un solo centro, los patrones reflejan la experiencia de un único hospital.

Cómo rinden los registros estructurados ante las readmisiones

Los registros estructurados logran predecir con solidez las readmisiones dentro de los treinta días posteriores al alta. La mejor configuración alcanza una AUROC de 0,743 mediante validación cruzada repetida sobre los datos. Esto significa que el modelo sitúa a los pacientes que realmente vuelven por encima de quienes no lo hacen, superando con claridad el azar. En el conjunto de prueba fijo, LightGBM obtiene una AUROC de 0,7412 y una precisión equilibrada de 0,6739. Esta métrica promedia los aciertos en ambos grupos: los que regresan y los que no. El desequilibrio importa porque solo uno de cada cinco ingresos termina en una visita de retorno. Un modelo que siempre respondiera «no» tendría alta precisión simple, pero se perdería la mayoría de las readmisiones. Por tanto, estas características estructuradas capturan suficiente señal clínica para distinguir entre los dos grupos. Lo hacen sin leer notas en texto libre ni construir embeddings densos de pacientes. El resultado se acerca al de los métodos que usan texto clínico, pero con mucho menos almacenamiento y cómputo. Para la cohorte completa, la representación por conceptos nombrados ocupa unos 176 MB frente a los 4,2 GB de la alternativa densa. Esa diferencia facilita enormemente la evaluación repetida y el despliegue en un entorno hospitalario. Los modelos de árboles de gradiente se benefician más de estas características estructuradas. LightGBM mejora en aproximadamente 0,028 puntos de AUROC frente al conjunto de características basado en transformadores. La mejora es estadísticamente clara, con un intervalo de confianza estrecho. Combinar ambos tipos de características no aumenta el rendimiento por encima de cada fuente individual de forma consistente.

Factores que determinan la predicción y su validez

La señal más potente del modelo no provenía de los conceptos médicos más recientes, sino de la información básica del paciente. La edad y el sexo concentraban la mayor parte del peso predictivo: representaban el 48,5 % de la ganancia en el mejor modelo de árboles. Al barajar esos valores, el rendimiento cayó 0,1117 puntos de AUROC, una disminución mucho mayor que la producida por cualquier característica clínica individual. Un modelo entrenado solo con datos demográficos alcanzó aún un AUROC de 0,6985, cercano a las líneas base anteriores basadas únicamente en datos estructurados.

Los conceptos médicos nombrados aportaron valor real, aunque modesto. Por encima de la línea base demográfica, esos conceptos contribuyeron aproximadamente con cuatro puntos de AUROC. Las anomalías analíticas por sistema orgánico, los principios activos de los fármacos, los códigos de diagnóstico sin mapear y las categorías directas de enfermedad aportaron cada una una pequeña diferencia. Los niveles más profundos de la jerarquía de enfermedades no ayudaron: las categorías de abuelo y bisabuelo añadieron esencialmente ningún poder discriminativo.

La magnitud del beneficio dependió fuertemente del tipo de clasificador utilizado. Los árboles con gradiente ascendente aprovecharon mejor los conceptos nombrados, con LightGBM mejorando en unos 0,028 puntos de AUROC frente a un conjunto de características basado en transformadores. Ese margen fue estadísticamente fiable, con un intervalo de confianza que va de +0,026 a +0,031 y p menor que 0,001. XGBoost también favoreció el conjunto de características enriquecido con ontología, aunque su ventaja era menos central para la historia general. Las redes neuronales y los bosques aleatorios no siguieron el mismo patrón con tanta claridad.

En grupos amplios de pacientes, las predicciones se mantuvieron razonablemente bien. La discriminación se mantuvo estable según sexo, tipo de seguro y raza, con valores de AUROC que van desde 0,727 para pacientes blancos hasta 0,779 para aquellos codificados como Otros o Desconocido. Ningún grupo cayó cerca del rendimiento al azar, y los grupos minoritarios por raza o de Medicaid no mostraron una desventaja clara a nivel de AUROC.

Una vía clara para interpretar los datos hospitalarios

Lo verdaderamente relevante no es la magnitud de la mejora predictiva, sino que el modelo se acerca al rendimiento de los métodos basados en notas clínicas utilizando únicamente registros estructurados. Esta diferencia transforma lo que los hospitales pueden hacer con sus sistemas actuales. Un modelo construido a partir de enfermedades nombradas, grupos de procedimientos, anomalías analíticas y principios activos ocupa mucho menos espacio que las representaciones densas aprendidas por el algoritmo, lo que facilita su ejecución, inspección y traslado entre departamentos.

La lección más amplia es que el conocimiento médico puede servir de puente entre los códigos crudos y la predicción útil. En lugar de dejar que un algoritmo comprima los diagnósticos en números opacos, el método mantiene cada característica vinculada a algo reconocible para un clínico. Esa transparencia facilita la depuración, la auditoría y genera confianza, ya que una puntuación de riesgo puede rastrearse hasta elementos clínicos concretos, no a direcciones ocultas dentro de un vector.

Los límites importan porque las variables demográficas concentraron gran parte del peso predictivo, mientras que la ganancia adicional proveniente de categorías de enfermedades, análisis, medicamentos y códigos sin mapear fue modesta. Los datos de un solo hospital no pueden demostrar que ese mismo equilibrio se mantenga en otros lugares, y una puntuación media puede ocultar diferencias sobre quién se beneficia más. La oportunidad radica en contar con una herramienta más económica y explicable para detectar a los pacientes en riesgo antes de que vuelvan al servicio de urgencias. El obstáculo es convertir esa señal en acciones justas en muchos sistemas sanitarios. ¿Puede un modelo que nombra sus razones volverse más confiable que uno que las oculta?