Mejorando las Predicciones de Alta Hospitalaria Usando Aprendizaje Automático

Los sistemas de salud en todo el mundo están bajo una presión cada vez mayor debido a la creciente demanda. Esto se debe a cambios en la demografía de la población, más personas con enfermedades crónicas, cambios en la sociedad y avances en tecnología. En el Reino Unido, el Servicio Nacional de Salud (NHS) ha sentido especialmente estas presiones, con más pacientes llegando a los hospitales, tiempos de espera más largos en las salas de emergencia y dificultades financieras. La pandemia de COVID-19 ha empeorado aún más estos problemas, causando retrasos significativos tanto en la atención médica urgente como en la rutinaria.

Dado que los recursos hospitalarios son limitados, los hospitales necesitan encontrar maneras de mejorar la eficiencia y gestionar mejor la capacidad de los pacientes. Una parte clave de esto es averiguar cómo gestionar efectivamente el flujo de pacientes, lo que significa guiar a los pacientes desde que entran al hospital hasta que son dados de alta, asegurando que reciban la atención adecuada.

#La Importancia del Flujo de Pacientes

Optimizar el flujo de pacientes puede llevar a mejores experiencias para los pacientes, menos tiempo de espera para el tratamiento, mejores resultados de salud y ahorros en costos. Una forma importante de mejorar el flujo de pacientes es predecir con precisión cuándo serán dados de alta. Esto significa que los proveedores de salud pueden ser alertados cuando un paciente está casi listo para irse a casa, permitiéndoles organizar el transporte, finalizar los medicamentos de alta y preparar la habitación del hospital para el siguiente paciente.

Actualmente, las predicciones de alta dependen de que los equipos clínicos evalúen la situación de cada paciente según su diagnóstico y condición actual. Sin embargo, estas predicciones a menudo pueden ser inconsistentes y subjetivas. Muchas veces, no se registran en los sistemas de registros médicos electrónicos, lo que puede complicar las operaciones del hospital. Por lo tanto, hay un interés creciente en utilizar herramientas de Predicción automatizadas para pronosticar la duración de la estancia y el momento del alta de los pacientes.

#Modelos de Predicción de Alta

Predecir el alta se ha convertido en un área de enfoque para los investigadores que utilizan técnicas de aprendizaje automático. Varios estudios han intentado pronosticar el momento de los altos basándose en intervalos de tiempo establecidos, como las próximas 24, 48 o 72 horas. Algunos estudios han mirado grupos específicos de pacientes, como aquellos que se someten a cirugía o tienen problemas cardíacos, mientras que otros han buscado predecir altas para hospitales enteros.

Se han probado varias técnicas tradicionales de aprendizaje automático, incluyendo bosques aleatorios, árboles potenciados y redes neuronales. Las características utilizadas para hacer estas predicciones generalmente incluyen la demografía del paciente, el historial médico, los signos vitales, los diagnósticos, los procedimientos y los medicamentos. Si bien algunos modelos han mostrado potencial, la mayoría logra un rendimiento promedio, con tasas de éxito que varían ampliamente entre diferentes estudios.

Un ejemplo impresionante es un modelo que incluyó datos sobre las interacciones de los clínicos con los registros de salud electrónicos, logrando una alta precisión en predecir altas en 24 horas. Sin embargo, tenía limitaciones, como solo incluir hospitalizaciones por primera vez y excluir a pacientes que no sobrevivieron su estancia. Muchos estudios existentes no han abordado adecuadamente áreas importantes, como el impacto del tamaño de los datos de entrenamiento, el momento de las predicciones y el rendimiento relacionado con grupos específicos de pacientes.

#Objetivos de Este Estudio

En este estudio, los investigadores buscaron utilizar una gran cantidad de datos de registros médicos electrónicos de un grupo de hospitales de enseñanza en el Reino Unido para desarrollar modelos de aprendizaje automático que puedan predecir qué pacientes serán dados de alta dentro de las próximas 24 horas. Al combinar predicciones individuales, los modelos también estimarían el número total de altas esperadas en todo el hospital.

#Datos y Metodología

#Fuente de Datos

Los datos se obtuvieron de la Base de Datos de Investigación de Infecciones en Oxfordshire (IORD), que contiene registros médicos electrónicos desidentificados de hospitales en el Oxford University Hospitals NHS Foundation Trust. Este grupo incluye cuatro hospitales de enseñanza, que atiende a una población de aproximadamente 755,000 personas.

El estudio se centró en pacientes adultos hospitalizados desde el 1 de febrero de 2017 hasta el 31 de enero de 2020, excluyendo categorías específicas como obstetricia y pediatría. Las admisiones se clasificaron en dos grupos: electivas (planificadas) y de emergencia (no planificadas).

#Características Utilizadas en las Predicciones

Los investigadores identificaron características potenciales para los modelos teniendo en cuenta el conocimiento médico existente y estudios previos. Estas características incluyeron la demografía del paciente, diagnósticos actuales, admisiones pasadas, resultados de laboratorio e historial de medicamentos. El objetivo era crear un conjunto robusto de datos que pudiera informar las predicciones de alta.

#Tarea de Predicción

El estudio se centró en predecir si los pacientes serían dados de alta del hospital dentro de las 24 horas de una fecha y hora especificadas. Las predicciones a nivel individual se agregaron para proporcionar una estimación de altas totales esperadas en el hospital para ese período.

Se realizaron diferentes análisis de sensibilidad para evaluar cómo el momento de las predicciones afectaba los resultados. Los modelos fueron entrenados usando datos históricos y evaluados con datos más recientes para evaluar su efectividad.

#Desarrollo del Modelo

Se utilizaron modelos de Extreme Gradient Boosting (XGB) para predecir altas. Los datos de entrenamiento cubrieron los primeros dos años del período de estudio, mientras que la evaluación usó datos del último año. Los modelos pasaron por un ajuste de hiperparámetros para maximizar su rendimiento.

La implementación del modelo permitió datos faltantes, ya que XGB podría manejar estas brechas sin imputación. Los investigadores calibraron las probabilidades de alta predicha para asegurar precisión.

#Evaluación del Rendimiento

La efectividad de los modelos se evaluó utilizando varias métricas, como sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo y precisión general. También se evaluó el rendimiento de las predicciones a nivel hospitalario comparando los números de alta predichos con los reales.

En total, se registraron 52,590 admisiones electivas y 202,633 admisiones de emergencia durante el período de estudio. Después de filtrar admisiones cortas y asegurar datos relevantes, se incluyeron en el análisis un total de 48,039 admisiones electivas y 143,275 admisiones de emergencia.

#Resultados

#Rendimiento del Modelo

Los modelos mostraron resultados prometedores en la predicción de altas. Para las admisiones electivas, el modelo logró un área bajo la curva (AUC) de 0.871, mientras que para las admisiones de emergencia, el AUC fue de 0.860. El valor predictivo positivo para admisiones electivas fue de 0.555, y para admisiones de emergencia, fue de 0.571, lo que indica que los modelos fueron efectivos en identificar pacientes que probablemente serían dados de alta.

El estudio también encontró que el rendimiento del modelo mejoró con conjuntos de datos de entrenamiento más grandes, alcanzando un punto de saturación en alrededor de 12 meses de datos. Además, las predicciones realizadas al mediodía lograron la mayor precisión en comparación con otros momentos del día.

#Importancia de las Características

El análisis identificó características clave relacionadas con el alta del paciente. Para admisiones electivas, los predictores más importantes incluyeron el número de medicamentos recibidos en las últimas 24 horas y si los pacientes habían completado cursos de antibióticos. Para las admisiones de emergencia, características similares jugaron un papel significativo, mostrando que el historial de medicamentos era crítico para pronosticar altas.

#Análisis de Subgrupos y Equidad del Modelo

Los investigadores evaluaron el rendimiento del modelo en diferentes grupos demográficos, incluyendo sexo, etnicidad y estatus socioeconómico. Si bien el rendimiento general fue consistente, se observaron algunas variaciones, particularmente en pacientes mayores y aquellos con estancias más largas en el hospital. Los modelos tendieron a tener un peor rendimiento en estos subgrupos, lo que sugiere que las necesidades más complejas pueden no estar tan bien capturadas en los datos.

#Limitaciones y Direcciones Futuras

El estudio tuvo algunas limitaciones. El horizonte de predicción fue solo de 24 horas, lo que puede restringir el alcance de planificación para las operaciones hospitalarias. Además, los modelos se basaron únicamente en datos estructurados de salud electrónica, sin incorporar datos no estructurados, que podrían mejorar la precisión de las predicciones.

El estudio concluyó que, aunque los modelos actuales de aprendizaje automático muestran promesa, hay margen para mejorar. Los futuros esfuerzos deberían explorar la incorporación de datos no estructurados y refinar técnicas de modelos, como utilizar enfoques de aprendizaje profundo, para mejorar aún más el rendimiento.

#Conclusión

Integrar el aprendizaje automático con datos de registros de salud electrónicos tiene el potencial de mejorar las operaciones hospitalarias al facilitar la gestión en tiempo real de los altos. Los modelos desarrollados en este estudio lograron un buen rendimiento en la predicción de eventos de alta y destacaron la importancia de características específicas relacionadas con la atención al paciente.

Estos avances podrían llevar a beneficios en la gestión del flujo de pacientes y la asignación de recursos, lo que resultaría en una mejor atención médica. Aunque el estudio se centró en un grupo hospitalario específico, los hallazgos sugieren una aplicabilidad más amplia de estos modelos para apoyar los esfuerzos de gestión hospitalaria en diversos entornos.