Las historias clínicas electrónicas se convierten en un motor de predicción que simula la atención futura y prueba opciones terapéuticas

Cómo se divide la estancia hospitalaria en eventos, intervalos y predicciones por capas

Una estancia hospitalaria no es un registro único y continuo, sino una secuencia de pequeños eventos clínicos. Una medición de la presión arterial, un resultado de laboratorio, una orden de radiografía o una nota de alta se convierten en elementos independientes. Cada uno posee varias capas: la primera identifica el tipo general de evento. La siguiente añade detalles específicos. Después, el modelo decide qué modalidad o valor corresponde a ese detalle. La información temporal no se estima capa por capa, sino que proviene de un estado oculto.

Las capas se construyen secuencialmente, de modo que las decisiones posteriores tienen en cuenta las anteriores. Esto garantiza la coherencia de las predicciones: un resultado de laboratorio nunca se asocia con un tipo de imagen imposible. Durante la inferencia, el sistema bloquea combinaciones que no ha observado para ese tipo de evento. Los números se codifican mediante un formato compacto y ondulado. El modelo puede generar nuevos valores en ese mismo código e incluso reintroducir sus propios eventos generados como entrada.

El intervalo entre eventos también se aborda con dos preguntas distintas, dado que muchos registros comparten la misma marca temporal. Una parte determina si existe algún hueco de tiempo. Otra predice su duración, pero solo cuando hay un intervalo real. Si no se predice ningún hueco, el valor se fija en cero. Así se evita confundir «no transcurrió tiempo» con «transcurrió una cantidad mínima».

El modelo se entrena para reconstruir cada componente de un evento y compara dos versiones de la misma predicción: una que solo ve eventos pasados y otra que puede consultar el evento actual. Al inicio del entrenamiento, esta comparación es débil. Más adelante se intensifica. Esto obliga al estado oculto a contener información real sobre lo que ocurrirá a continuación.

Una segunda verificación utiliza únicamente el estado oculto basado en el pasado para intentar reconstruir el evento real desde ese estado solo. Este mecanismo impide dos malas prácticas: copiar simplemente lo que ya se ve y fingir certeza, o esconderse detrás de conjeturas vagas con alta incertidumbre.

La documentación hospitalaria no se distribuye uniformemente. Los eventos son más densos cerca del ingreso, se diluyen en la mitad de la estancia y vuelven a aumentar antes del alta. La variedad de tipos de eventos también alcanza su máximo al ingresar. Hacia el final, los cuidados se vuelven más rutinarios: los intervalos medianos entre distintos eventos se alargan, pasando de minutos al principio a decenas de minutos antes de estabilizarse.

Predicción de eventos clínicos futuros con y sin la hora real

Predecir la evolución hospitalaria exige acertar dos cosas: qué pasará a continuación y cuándo pasará. El modelo puede evaluarse con o sin la hora real como referencia. En la predicción libre, el sistema decide tanto el tipo de evento como su momento. En la predicción controlada por tiempo, el instante del próximo evento lo fija un calendario externo. Esta distinción permite separar cuánto aporta al rendimiento el contenido y cuánto, el timing.

La prueba arranca 24 horas después del último ingreso del paciente. A partir de ahí, genera eventos futuros hasta agotar un número fijo de tokens de salida. El rendimiento se comprueba a las 1, 2, 4, 6, 12, 24, 48 y 72 horas. Dos líneas base marcan el umbral mínimo: una es el nivel azaroso basado en la prevalencia, que simplemente adivina lo más común en los datos. La otra asume recurrencia, es decir, que un tipo de evento o modalidad volverá si ya apareció en la misma ventana anterior.

El AUROC mide qué tan bien separa el modelo los eventos probables de los improbables. Una puntuación de 0,5 correspondería a un ordenamiento aleatorio. Las cercanas a 1 indican una fuerte separación. La puntuación Brier, por su parte, mide qué tan cerca están las probabilidades predichas de los resultados observados. En la predicción libre, el AUROC macroscópico alcanza valores entre 0,75 y 0,83 para los tipos de evento, y entre 0,76 y 0,82 para las modalidades. Estas cifras abarcan horizontes desde una hora hasta setenta y dos horas. Al tratar cada tipo de evento por igual, el AUROC macroscópico otorga a los eventos raros la misma importancia que a los comunes. Las puntuaciones Brier son generalmente mucho mejores que las de la línea base de persistencia, la cual se degrada notablemente en horizontes más largos.

Cuando el modelo recibe el timing real, la discriminación mejora sobre todo en horizontes cortos. A la hora, el AUROC para tipos de evento alcanza unos 0,87 y el de modalidades, unos 0,95. Para las setenta y dos horas, esa ventaja se reduce. La predicción libre mantiene una calibración ligeramente mejor para los recuentos de tipos de evento, a pesar de tener un AUROC más bajo. La calibración implica que las probabilidades predichas coinciden con las tasas observadas.

En un horizonte fijo de veinticuatro horas, la prueba abarca 13 551 pacientes. El AUROC de la predicción libre se mantiene estable entre los grupos según la duración de la estancia: ronda el 0,83 en estancias cortas y el 0,84 en las más largas. La puntuación Brier solo aumenta modestamente, de unos 0,084 a 0,110. El timing real mejora la discriminación a las veinticuatro horas: el AUROC controlado por tiempo se sitúa entre 0,86 y 0,87 en todos los grupos, frente a unos 0,83 de la predicción libre. Sin embargo, la predicción libre ofrece una puntuación Brier mejor en las estancias más cortas (unos 0,084, frente a 0,096 con timing fijo). En estancias más largas, la predicción controlada por tiempo presenta puntuaciones Brier ligeramente mejores.

Algunos eventos son más fáciles de predecir que otros. La salida del departamento de urgencias obtiene un AUROC de predicción libre de unos 0,98 a las veinticuatro horas. La de la unidad de cuidados intensivos (UCI) le sigue de cerca con unos 0,97. Los eventos de eliminación corporal alcanzan alrededor de 0,96, y los rutinarios de signos vitales o ingresos llegan a unos 0,93. Son predecibles porque siguen patrones regulares de atención. Las categorías documentales y administrativas resultan más difíciles: los informes de radiología se sitúan cerca de 0,69, los cambios de servicio y las transferencias cerca de 0,70, los diagnósticos cerca de 0,71 y los resúmenes de alta cerca de 0,72. Los análisis de laboratorio también son difíciles de contar con precisión. El error absoluto medio es de unos 13 eventos por paciente en la ventana temporal. No obstante, predecir si ocurre algún análisis de laboratorio o no tiene un AUROC de aproximadamente 0,77.

La línea base de persistencia sigue siendo débil: su AUROC para tipos de evento va de 0,58 a 0,63, y el de modalidades, de 0,57 a 0,66. Sus puntuaciones Brier empeoran a medida que se alarga el horizonte. Esto significa que simplemente repetir lo que ocurrió antes ofrece poca señal útil. El valor del modelo reside en aprender cómo interactúan los tipos de evento, las modalidades y el timing con el paso del tiempo.

Simular una opción alternativa de líquidos en la sepsis con una cohorte virtual de pacientes

El tratamiento de la sepsis suele iniciarse con líquidos intravenosos. La solución salina y los cristaloides balanceados, como el lactato de Ringer, son opciones habituales. Una prueba en una cohorte virtual planteó qué ocurriría si cada paciente recibiera el otro líquido. Para ello, se utilizaron 1 085 episodios elegibles de un conjunto reservado.

Para cada episodio se generaron dos futuros. Uno mantuvo el líquido administrado realmente. El otro sustituyó por la alternativa. El ruido aleatorio y los tiempos se mantuvieron idénticos. Las administraciones posteriores de cristaloides se forzaron a coincidir con el grupo asignado, lo que aisló la elección del líquido de las variaciones en el tratamiento posterior.

Los futuros simulados siguieron tres puntos finales durante 30 días: muerte intrahospitalaria, duración de la estancia y un resultado renal denominado MAKE-30. Este último combina diálisis nueva, muerte o disfunción renal persistente. El lactato de Ringer se mostró mejor que la solución salina en todas las medidas principales.

En las ejecuciones con resultados definidos, la mortalidad intrahospitalaria a 30 días fue de aproximadamente el 44,9 % con Ringer y del 49,2 % con solución salina. Esa diferencia fue de unos 4,3 puntos porcentuales. Entre las simulaciones que terminaron explícitamente en un resultado, la brecha de mortalidad se amplió a unos 8,9 puntos porcentuales.

La duración de la estancia también fue menor con Ringer: unas 135,7 horas frente a 174,3 horas. La diferencia fue de aproximadamente 40,5 horas. Esta dirección coincide con el subgrupo de sepsis del ensayo SMART. En esa comparación en el mundo real, los cristaloides balanceados se asociaron con una mortalidad menor que la solución salina.

Sin embargo, las tasas absolutas de muerte simuladas son mucho más altas que las clínicas observadas. Por tanto, las cifras necesitan calibración antes de poder leerse como riesgos reales. Las propias predicciones de mortalidad del modelo estaban mal calibradas en esta cohorte. El riesgo previsto osciló entre aproximadamente el 3 % y el 96 %. El riesgo observado en la mayoría de los deciles se mantuvo entre aproximadamente el 10 % y el 46 %. El error de calibración esperado global fue de unos 27,7 puntos porcentuales.

Las mayores diferencias aparecieron en grupos de riesgo medio a alto. Un decil tuvo una mortalidad prevista de aproximadamente el 52 % frente a una tasa observada de alrededor del 16 %. Otro tuvo una predicción de cerca del 84 % contra una tasa observada de unos 26 %. Solo algunas simulaciones alcanzaron un resultado final dentro de los 30 días. Aproximadamente el 68,5 % lo hizo en el grupo coincidente y con solución salina, mientras que alrededor del 71,8 % lo hizo con lactato de Ringer. El resto agotó el presupuesto de simulación antes de la muerte, el alta o un punto final renal.

El compuesto renal estuvo impulsado principalmente por la muerte en las simulaciones. El MAKE-30 observado fue de aproximadamente el 27 %, siendo la muerte responsable de la mayor parte. Las tasas simuladas fueron mucho más altas: alrededor del 75 % con solución salina y cerca del 66 % con Ringer. La diferencia entre grupos fue casi enteramente un efecto de mortalidad. Los componentes renales variaron solo en unos 0,1 a 0,2 puntos porcentuales.

Esto importa porque la prueba no se limita a clasificar líquidos. Verifica si un modelo de paciente virtual puede reproducir una dirección clínica conocida mientras expone sus propias debilidades. La comparación de líquidos apuntó hacia los cristaloides balanceados, como en los datos reales de sepsis. Sin embargo, las tasas infladas de muerte y la débil calibración muestran que los resultados simulados aún no están listos para un uso clínico directo.

Gravedad de la enfermedad y riesgo de supervivencia: lo que revela un único resumen del paciente

Una instantánea codificada del historial hospitalario admite dos lecturas. Una la convierte en una puntuación de gravedad de la enfermedad. La otra estima el riesgo de que fallezca poco después de ese momento. Ambas se apoyan en el mismo resumen compacto, no en gráficos brutos separados. Esto resulta clave porque los clínicos suelen necesitar valorar rápidamente cuánto enferma un paciente y si su evolución es peligrosa.

La lectura de gravedad genera una puntuación continua al estilo NEWS2, que va de 0 a 20. Sigue los cambios en cada ventana de una hora. Su error medio fue de unos 1,34 puntos por hora. Es mucho mejor que adivinar la puntuación media o mediana, lo cual cometía errores de entre 2,8 y 3,0 puntos. Usar solo la edad también dio un error cercano a 2,8 puntos. Una lectura lineal más simple sobre el mismo resumen funcionó ligeramente peor, con un error medio de unos 1,51 puntos. La lectura neuronal fue mejor separando las ventanas de alto riesgo, con una AUROC de unos 0,91 frente a 0,89 del modelo lineal.

La puntuación sigue bien los cambios dentro de cada paciente. Su correlación con las puntuaciones reales de una hora fue de unos 0,86. Un modelo solo por edad alcanzó apenas unos 0,22. Eso significa que puede distinguir cuándo un paciente empeora o mejora, no solo lo enfermo que está en promedio. Las tres bandas estándar de riesgo no fueron todas igualmente fáciles. Las ventanas de bajo riesgo, puntuaciones de 0 a 4, se identificaron con alta precisión y sensibilidad, unos 89 % y 85 %. Las ventanas de riesgo medio, puntuaciones de 5 a 6, fueron mucho más difíciles, con solo unos 39 % de precisión y 41 % de sensibilidad. Las ventanas de alto riesgo, puntuación 7 o superior, se identificaron moderadamente bien, unos 69 % de precisión y 72 % de sensibilidad.

La lectura también tiene una debilidad predecible: comprime los extremos. Para puntuaciones reales leves, tiende a predecir ligeramente demasiado alto. Para puntuaciones reales graves, predice demasiado bajo. La subestimación crece a medida que aumenta la gravedad, en varios puntos cuando la puntuación real es 10 o superior. Los mayores errores ocurren en ventanas raras con puntuaciones muy altas.

El riesgo de supervivencia se leyó del mismo tipo de resumen usando un modelo de tiempo hasta evento llamado DeepSurv. Sus hiperparámetros se buscaron en rangos estándar, no se fijaron arbitrariamente. A medida que más de la estancia se volvía visible, la discriminación mejoraba. En el ingreso, el índice C era de unos 0,76. Cerca del final de la estancia, subió a unos 0,85. La puntuación Brier integrada se mantuvo baja, alrededor de 0,021 a 0,024. Las pruebas de calibración no señalaron una mala calibración significativa. Todos los valores p informados fueron superiores a 0,05 en cinco pliegues.

Qué componentes de un evento clínico determinan su imprevisibilidad y su capacidad predictiva

Un evento clínico es mucho más que una etiqueta. Arrastra varias capas de información. El tipo general señala qué clase de registro ha aparecido: un resultado de laboratorio, un electrocardiograma o una nota de alta son categorías distintas. Los detalles específicos indican qué prueba se solicitó o qué diagnóstico se redactó. A eso se suman los valores numéricos y las imágenes, que aportan el contenido medido, y la temporalidad, que sitúa el evento en su momento dentro de la estancia.

La predicción depende de estos componentes de forma desigual. La temporalidad suele ser la pista más fiable sobre lo que vendrá a continuación: un intervalo corto tras la admisión apunta a menudo a comprobaciones rutinarias, mientras que un tramo largo sin actividad puede sugerir un cambio en el abordaje clínico. El texto clínico específico o los detalles de categoría suelen ocupar el segundo lugar en importancia. Los valores numéricos y las imágenes cobran relevancia cuando el tipo general resulta demasiado genérico. Así, un resultado de laboratorio por sí solo no dice mucho sin su número, una trazada electrocardiográfica importa porque la forma de onda lleva información sobre el ritmo, y un resumen de alta puede ser difícil de predecir a menos que se conozca su texto.

La sorpresa sigue este mismo patrón. Las mediciones rutinarias son fáciles de anticipar para el modelo: los signos vitales y las pruebas de laboratorio se sitúan cerca del cero en sorpresa, alrededor de 0,02 a 0,03 en la escala latente. Los eventos de imagen son mucho menos predecibles. La mediana de sorpresa es de unos 38 para los electrocardiogramas y 37 para las radiografías. Los ecocardiogramas también resultan difíciles, con una mediana de sorpresa de unos 22,5. La muerte constituye un caso especial: su mediana de sorpresa es baja, unos 0,96, pero la cola superior es amplia. El percentil 95 alcanza unos 21,5 y la media sube a unos 4,24. En términos simples, la muerte no suele ser el tipo de evento más sorprendente. Sin embargo, cuando ocurre, el contexto previo puede hacerla difícil de anticipar.

Un paciente virtual capaz de ensayar, aunque todavía no genera confianza

El registro hospitalario no es un mero cúmulo de datos, sino un ritmo. Un modelo ha aprendido ese compás con soltura suficiente para abordar varias tareas complejas a la vez: anticipar qué ocurrirá a continuación, estimar la gravedad aparente del paciente, inferir el riesgo de supervivencia conforme avanza la estancia e incluso sustituir un tratamiento y reproducir el futuro.

Esta es la visión global. El valor no reside en añadir otra cifra más al panel de control, sino en disponer de un paciente virtual cuyo historial pueda explorarse antes de tomar decisiones reales. Los clínicos podrían preguntarse qué pasaría si se modifica la atención a tiempo, comparar opciones de fluidos, observar cómo deriva la gravedad o comprobar si un evento raro era predecible desde el contexto. Así, la predicción se convierte en un ensayo general.

Los obstáculos pesan tanto como los logros. En la prueba con fluidos para la sepsis, las estimaciones de mortalidad del modelo estaban mal calibradas. Algunos riesgos previstos superaban con creces a las tasas observadas. Los resultados renales simulados dependían más de la muerte que del fallo renal propiamente dicho. Muchas simulaciones agotaron los tokens antes de alcanzar un punto final claro, y resultó difícil separar las ventanas de gravedad de riesgo medio. Además, las imágenes y ondas raras aparecen con mucha menos frecuencia que las notas y los valores de laboratorio.

Estas limitaciones no son simples notas al pie. Determinan en qué medida se puede confiar en el sistema. Una predicción que acierta la dirección pero falla en la calibración puede inducir a error, y un paciente virtual incapaz de completar una historia de 30 días podría perderse el resultado más importante. El desequilibrio en los datos implica que el modelo conoce mejor la atención rutinaria que la inusual. La cronología, las lagunas documentales y la rareza de los eventos dejan su huella en el rendimiento.

Lo que viene a continuación exigirá algo más que modelos mayores: una calibración fiable para los clínicos, simulaciones más largas con puntos finales estables, datos de imagen más ricos y señales de incertidumbre más claras. La validación prospectiva pondrá a prueba si este ensayo virtual coincide con la vida hospitalaria real. Si lo hace, el modelo podría convertirse en una herramienta discreta para la planificación, no solo para puntuar.

La pregunta profunda no es si las máquinas pueden predecir hospitales. Ya lo hacen por fragmentos. El reto verdadero es si podrán aprender lo suficiente como para hacer útil la incertidumbre.