El uso de datos reales del sistema de salud colombiano abre nuevas posibilidades para clasificar el riesgo de mortalidad en adultos mayores e identificar a quienes podrían requerir una atención más prioritaria. Un estudio publicado en Scientific Reports desarrolló y comparó modelos predictivos en personas de 80 años o más afiliadas al régimen contributivo de cinco grandes ciudades del país, utilizando información administrativa sobre diagnósticos, medicamentos, procedimientos y hospitalizaciones. Entre los métodos evaluados, XGBoost obtuvo el mejor desempeño, con un AUC de 0,89 para el horizonte de un año y de 0,918 para dos años.
La investigación fue desarrollada por autores vinculados, entre otras instituciones, a la Universidad Nacional de Colombia, Mayo Clinic, NYU Grossman School of Medicine y la Fundación Cardioinfantil-Instituto de Cardiología. El objetivo fue evaluar hasta qué punto la información generada durante la atención habitual puede utilizarse para clasificar el riesgo de mortalidad en edades avanzadas, un campo en el que los autores señalan que todavía existe poca evidencia procedente de países de ingresos medios.
Más de 300.000 adultos mayores hicieron parte del análisis
Los investigadores utilizaron la base de datos de Suficiencia, que reúne información sobre tecnologías y servicios de salud utilizados por afiliados al régimen contributivo. Los registros correspondieron a 2018 y 2019 e incluyeron medicamentos prescritos, procedimientos, diagnósticos CIE-10, modalidades de atención, prestadores, EPS y mecanismos de pago. La información cubría más del 90 % de los afiliados de 80 años o más del régimen contributivo en Bogotá, Medellín, Cali, Barranquilla y Cartagena durante los años estudiados.
Inicialmente se identificaron 440.827 personas elegibles para el análisis a un año y 182.548 para el análisis a dos años. Después de los procedimientos metodológicos utilizados para manejar el desequilibrio entre los casos de mortalidad y las personas que permanecían vivas, las muestras finales incluyeron 320.827 individuos en el modelo de un año y 57.548 en el de dos años. Los autores reportaron proporciones de fallecimientos de 22 % y 1,41 %, respectivamente.
¿Qué información utilizaron los modelos para estimar el riesgo?
El estudio trabajó con información disponible en los registros administrativos de atención y organizó las variables en diferentes categorías. La investigación no buscó establecer las causas de la mortalidad, sino identificar patrones capaces de diferenciar a las personas con mayor riesgo dentro de los horizontes evaluados. Para ello se incorporaron variables sociodemográficas, clínicas, farmacológicas, de utilización de servicios y algunos componentes administrativos.
Los principales grupos de información incluidos fueron:
- Año de nacimiento y sexo;
- Diagnósticos registrados mediante CIE-10;
- Medicamentos y procedimientos en salud;
- Número total de días de hospitalización;
- Atención ambulatoria, hospitalaria, de urgencias y domiciliaria;
- Identificación del prestador y de la EPS;
- Modalidades de reconocimiento y pago de los servicios.
Los datos descriptivos también muestran una utilización frecuente de los servicios de salud en esta población. En 2018, el 26,6 % de los pacientes había recibido atención hospitalaria, el 35,5 % había utilizado servicios de urgencias y el 17,6 % había tenido atención domiciliaria. Para 2019, estas proporciones fueron de 24,3 %, 35,7 % y 18 %, respectivamente. Bogotá concentró cerca de la mitad de las personas analizadas en ambos años, seguida por Medellín y Cali.
XGBoost obtuvo el mejor desempeño entre los modelos evaluados
Los investigadores compararon redes neuronales, XGBoost, autoencoders, regresión bayesiana y TabTransformer. El desempeño fue medido mediante indicadores como exactitud, F1, área bajo la curva ROC —AUC— y puntaje de Brier. Los resultados mostraron diferencias entre los métodos y entre los horizontes de uno y dos años.
Entre los principales resultados reportados se encuentran:
- XGBoost a un año: AUC de 0,89 al incorporar información sobre el entorno de atención.
- Autoencoders a un año: AUC de 0,873 en su configuración de mejor desempeño.
- TabTransformer a un año: AUC de 0,838 en el modelo base.
- XGBoost a dos años: AUC de 0,918, el mayor resultado obtenido en este horizonte.
- Autoencoders a dos años: AUC inicial de 0,844, que llegó a 0,849 con variables adicionales.
- TabTransformer a dos años: alcanzó un AUC de 0,824 al incorporar información del prestador.
Los autores advierten que la elevada exactitud observada en varios modelos no debe interpretarse de forma aislada debido al desequilibrio entre los casos de mortalidad y supervivencia. Los valores de F1 se situaron aproximadamente entre 0,54 y 0,63, mientras que los puntajes de Brier fueron inferiores a 0,1 en la mayoría de los modelos, con excepción de la regresión bayesiana. Esta última también presentó dificultades computacionales y no logró converger en el análisis de un año, incluso después de 350 horas de procesamiento.
Diagnósticos, medicamentos y hospitalizaciones aportaron mayor capacidad predictiva
Los resultados mostraron que los códigos diagnósticos, los perfiles farmacológicos y los patrones de hospitalización fueron los dominios con mayor capacidad predictiva de mortalidad en edades avanzadas. En contraste, variables operativas como la identidad del prestador o de la aseguradora aportaron, en términos generales, un valor adicional limitado. Algunos modelos sí mejoraron al incorporar información relacionada con el tipo de atención recibida por los pacientes.
Los investigadores aclaran que los modelos no fueron diseñados para determinar por qué ocurre una muerte ni establecer relaciones causales entre estas variables y el desenlace. Su objetivo fue reconocer patrones existentes dentro de grandes bases administrativas que permitan clasificar a personas con diferente nivel de riesgo. En ese sentido, los autores plantean que estas herramientas podrían servir como apoyo para la identificación temprana de grupos vulnerables y para decisiones de salud basadas en datos.
¿Qué limitaciones deben considerarse antes de aplicar estos modelos?
Una precisión metodológica es que la investigación utilizó una clasificación retrospectiva de mortalidad basada en patrones de utilización de servicios, y no un modelo prospectivo estricto construido desde un punto basal fijo. Para las personas fallecidas se incorporó información acumulada durante el periodo de observación hasta el momento de la muerte. Los propios investigadores indican que esta característica debe considerarse al interpretar el desempeño de los modelos.
El análisis se restringió además a afiliados del régimen contributivo, por lo que sus resultados no pueden trasladarse automáticamente a la población del régimen subsidiado. Los registros administrativos tampoco contienen con igual nivel de detalle variables clínicas, hábitos de vida, factores socioeconómicos o información genética. A esto se suma que los modelos estiman riesgo, pero todavía no ofrecen indicaciones específicas sobre cuál intervención preventiva debería implementarse para cada persona clasificada como de mayor riesgo.
La investigación plantea nuevas etapas de validación
Los autores proponen que futuras investigaciones incorporen información procedente de historias clínicas electrónicas, indicadores socioeconómicos y determinantes sociales de la salud. También consideran necesaria la validación externa en otras poblaciones y en diferentes países de ingresos bajos y medios para establecer qué tan bien se mantienen los resultados fuera de la población utilizada para desarrollar los modelos.
El estudio concluye que los datos administrativos generados durante la atención pueden utilizarse para desarrollar modelos de predicción de mortalidad en adultos mayores dentro de un país de ingresos medios. Entre las técnicas evaluadas, XGBoost mostró la mayor capacidad discriminativa, mientras que los autores plantean continuar avanzando en la integración de diferentes fuentes de información y en la validación de estas herramientas antes de una aplicación más amplia en escenarios clínicos y de salud pública.
Descargue aquí el estudio completo:
