Entrenado con datos del programa All of Us y validado con millones de historias clínicas de hospitales de veteranos, el modelo OUD-REY pudo aplicarse a nuevas bases de datos sin homologar a mano los códigos médicos.
Un equipo de la Universidad de California en San Diego, con investigadores del sistema de salud de Veteranos en Palo Alto y de la Universidad de Stanford, desarrolló un modelo de inteligencia artificial que estima, a partir del historial clínico electrónico de un paciente al que ya se le recetaron opioides, la probabilidad de que reciba un diagnóstico de trastorno por consumo de opioides un año después. El modelo se llama OUD-REY ´que significa “evaluador de riesgo de trastorno por consumo de opioides a un año”. El trabajo, publicado en npj Digital Medicine, reporta que el modelo distinguió bien a los pacientes de mayor riesgo en los datos con los que se desarrolló y mantuvo un desempeño algo menor, pero consistente, al probarse con registros más recientes y con los de millones de pacientes de hospitales de veteranos.
El contexto es la crisis de opioides en Estados Unidos, que según los autores causó más de 100 mil muertes por sobredosis en 2021, 30% más que el año anterior. Parte del problema es que los opioides también se recetan por razones médicas, como el control del dolor, y esa exposición puede aumentar el riesgo de dependencia en personas que antes no los habían usado. Las herramientas disponibles para estimar ese riesgo suelen basarse en un conjunto fijo de variables clínicas del último año. Los autores plantean que identificar con anticipación a los pacientes de mayor riesgo permitiría ofrecerles intervenciones preventivas y personalizadas antes de que aparezcan patrones de consumo dañinos.
Para desarrollar el modelo, el equipo utilizó datos del programa de investigación All of Us, de los Institutos Nacionales de Salud (NIH) de Estados Unidos, que busca reunir información de salud de cerca de un millón de participantes, más de 80% de ellos de grupos históricamente subrepresentados en la investigación biomédica. Se incluyó a los pacientes con al menos una receta de opioides en la versión 7 de la base, que abarca a los participantes inscritos antes de julio de 2022. Para equilibrar la muestra, que de otro modo tendría muy pocos casos, se tomaron los 4 mil 564 pacientes con diagnóstico de trastorno por consumo de opioides y 20 mil pacientes sin el diagnóstico elegidos al azar, de modo que el trastorno representó 18.6% del conjunto de desarrollo. De cada paciente, el modelo recibió los últimos 100 eventos clínicos previos a la fecha de referencia, entre ellos diagnósticos, medicamentos, procedimientos, cirugías y visitas, cada uno con su fecha, además de datos como edad, sexo, raza, origen étnico y un índice de desventaja del área de residencia. El diagnóstico se definió por la presencia de códigos médicos asociados con el trastorno.
Uno de los principales obstáculos para aplicar un modelo de este tipo en otro hospital o en otra base de datos es que cada sistema codifica los diagnósticos, los medicamentos y los procedimientos de forma distinta. Incluso dos versiones de All of Us difieren entre sí: la versión 7 contenía 5 mil 154 conceptos clínicos únicos y la versión 8 contenía 9 mil 347 de los cuales 47% eran distintos a los que el modelo había visto. Lo habitual es emparejar manualmente los códigos entre sistemas o descartar los que no coinciden, algo que los autores describen como lento y poco escalable. En lugar de eso, el equipo usó un modelo de lenguaje preentrenado, llamado Sentence-BERT, para convertir el nombre en texto de cada concepto clínico en una representación numérica, de modo que los conceptos parecidos quedan cerca entre sí. Así, cuando aparece una condición que el modelo nunca vio, como la migraña sin aura, presente en las bases nuevas pero no en la de desarrollo, el sistema puede ubicarla por su significado. Los autores aclaran que la similitud semántica no implica equivalencia clínica. Sobre esas representaciones se aplicó una red neuronal que analiza la secuencia de eventos en orden cronológico y da más peso a los más relevantes, junto con otra red para los datos que no cambian, como la edad y el sexo.
La medida principal de desempeño fue el AUROC, que indica qué tan bien un modelo separa a quienes desarrollarán el trastorno de quienes no: 50% equivale a adivinar al azar y 100% a una separación perfecta. En la evaluación interna, con datos reservados de la misma base, OUD-REY obtuvo 91.2%. Esa cifra superó a la de modelos estadísticos tradicionales, como XGBoost (89.4%) y la regresión logística (hasta 87.4%), y a otras variantes de aprendizaje profundo, entre ellas una basada en transformadores, que alcanzó 80.1%. Los autores señalan además que es mayor que el cerca de 80% reportado para herramientas estadísticas de predicción de riesgo de opioides, como la que usa el Departamento de Asuntos de Veteranos de Estados Unidos (VA).
La prueba más exigente fue la validación externa, con datos que el modelo no había visto. En una versión posterior de All of Us, con 75,694 pacientes de los cuales 2.9% tenía el trastorno, el AUROC fue de 86.4%. En los registros del VA, de alrededor de 5.8 millones de pacientes de centros médicos de todo el país a lo largo de unas dos décadas, y con una prevalencia de cerca de 3.5%, fue de 85.5%. Es decir, bajó entre cinco y seis puntos respecto del desarrollo, pero la diferencia se mantuvo dentro de un margen que los autores fijaron de antemano para considerar que no hubo una pérdida significativa, y el modelo conservó su desempeño al estimar el riesgo a 3, 6 y 24 meses. Una segunda medida, que refleja qué tan acertadas son las alertas cuando el trastorno es poco frecuente, fue de 23.1% y 19.5% en esas dos validaciones, es decir, 8 y 5.6 veces la proporción de pacientes que realmente tenían el trastorno. Al probar qué información pesaba más, los medicamentos y los diagnósticos fueron los más informativos por separado, mientras que los antecedentes quirúrgicos aportaron poco, algo que los autores atribuyen a que 75% de los pacientes tenía una cirugía o ninguna.
El equipo también auditó el desempeño del modelo según género, raza y origen étnico con una herramienta de análisis de equidad llamada Aequitas. En la versión 8 de All of Us el modelo resultó en general equitativo, salvo por la categoría de género “otro”, donde el desempeño fue menor, algo que los autores atribuyen a que agrupa identidades muy diversas autodeclaradas y posibles registros incompletos. En una primera prueba, la proporción de pacientes con el trastorno a los que el modelo no marcó como de riesgo, los llamados falsos negativos, fue de alrededor de 40% en pacientes afroamericanos y de 30% en blancos y otros; un ajuste del umbral para clasificar a un paciente como de riesgo acercó esa cifra a la de los demás grupos. En los registros del VA, donde no se aplicó ese ajuste, la tasa de falsos negativos siguió siendo mayor en pacientes afroamericanos, de cerca de 42% frente a cerca de 28% en blancos, y la categoría “otro” de raza y origen étnico tuvo más falsos positivos. En ese conjunto, las mujeres fueron solo 8.5% de los pacientes y no se observó un sesgo notable en su contra. Los autores concluyen que el modelo fue en general equitativo, aunque con aspectos por mejorar.
Los autores sugieren que la herramienta podría ayudar a decidir a quién dirigir recursos limitados, por ejemplo derivar a especialistas en dolor o en salud conductual, ofrecer alternativas a los opioides, reforzar el monitoreo de recetas o identificar candidatos a servicios de atención del dolor posoperatorio y a intervenciones previas a una cirugía que reduzcan el uso de opioides. El modelo entrega una probabilidad y no una respuesta de sí o no, por lo que cada institución tendría que fijar el umbral a partir del cual actuar. Un umbral alto reduce los falsos positivos, que podrían derivar en intervenciones innecesarias, estigmatización y mala asignación de recursos, aunque deja pasar a más pacientes en riesgo; los autores consideran que, en el caso de este trastorno, priorizar esa reducción podría tener sentido. En un análisis de utilidad clínica, el modelo mostró mayor beneficio neto que tratar a todos los pacientes o a ninguno en los umbrales evaluados.
Los propios autores reconocen limitaciones. El estudio es retrospectivo y el trastorno se identificó por códigos en los registros, no por los criterios diagnósticos formales ni por su gravedad, de modo que depende de que esos códigos se hayan asignado correctamente. Al tratarse de datos anonimizados, tampoco fue posible revisar los expedientes. Es posible además que algunos veteranos estén en ambas bases de datos, aunque consideran probable que sean pocos, cerca de 25,000 en el conjunto de desarrollo frente a unos seis millones en el del VA. Plantean que hacen falta estudios prospectivos, que prueben el modelo en tiempo real, y en poblaciones específicas como pacientes quirúrgicos, y que a futuro buscan incorporar datos genómicos y de determinantes sociales de la salud. El código no es público por ahora, pero está disponible a solicitud razonable, y los datos pueden obtenerse mediante acuerdo de uso con All of Us y con el VA.
