Mortalidad en cuidados intensivos: predecir la muerte con las primeras 24 horas en MIMIC-IV, y por qué calibrar importa tanto como discriminar

Tres investigadores entrenan cinco modelos de aprendizaje automático para predecir la muerte hospitalaria de un paciente de cuidados intensivos a partir únicamente de las primeras 24 horas de datos de laboratorio, sobre 53 866 ingresos de la base MIMIC-IV. Su mejor modelo, un conjunto calibrado, alcanza una AUROC de 0,856 —pero una AUPRC de solo 0,449 sobre una mortalidad del 10,7 %, y el estudio se apoya en un único hospital. El valor del trabajo no es la puntuación de discriminación, anodina: es mostrar que calibrar las probabilidades y medir el beneficio de decisión importa tanto como ganar una clasificación.

El contexto

Predecir el riesgo de muerte de un paciente ingresado en cuidados intensivos es uno de los ejercicios más antiguos de la medicina cuantitativa. Desde los años 1980, puntuaciones como APACHE, SAPS o SOFA agregan un puñado de variables fisiológicas en una probabilidad de mortalidad, usada para comparar servicios, ajustar estudios y nutrir la discusión pronóstica. Estas puntuaciones son simples, transparentes y calibradas sobre grandes poblaciones —pero congelan unas pocas variables y datan de una época sin la historia clínica electrónica completa.

La llegada de bases de datos masivas reabrió el tema. MIMIC-IV es la principal: un conjunto de registros de cuidados intensivos totalmente anonimizados, que abarca más de una década de ingresos en un único centro académico estadounidense (Beth Israel Deaconess Medical Center, en Boston), distribuido públicamente a través de la plataforma PhysioNet. En este terreno de juego, cientos de equipos han entrenado modelos de aprendizaje automático para predecir la mortalidad. La pregunta ya no es «¿se puede predecir?» —se puede— sino «¿la predicción es fiable y útil a pie de cama?». Es justo el ángulo que reivindica este preprint firmado por Abdallah Alsammani, Merasia Johnson y Jessica Elrefaei.

El método

Los autores parten de 53 866 ingresos adultos de MIMIC-IV (versión 2.2), de los cuales 5 787 acabaron en muerte hospitalaria, es decir una mortalidad del 10,7 %. Este desequilibrio —una minoría de casos positivos ahogada en una mayoría de supervivientes— es central para entender los resultados. A partir únicamente de las primeras 24 horas, construyen 88 variables de laboratorio. El truco metodológico no es solo tomar el mínimo, el máximo y la media de cada análisis de sangre, como hace la mayoría de los trabajos, sino añadir descriptores de trayectoria (¿la variable sube o baja a lo largo del día?) y de frecuencia de medición (¿cuántas veces se solicitó el análisis?). La idea: un paciente vigilado de cerca no está en el mismo estado que uno medido una sola vez.

Se comparan cinco modelos. Una regresión logística regularizada (el modelo estadístico clásico, aquí limitado para evitar el sobreajuste) sirve de referencia simple. Un bosque aleatorio y dos modelos de gradient boosting (XGBoost y LightGBM, conjuntos de árboles de decisión construidos secuencialmente, el estado del arte en datos tabulares) representan el aprendizaje automático moderno. Por último, un conjunto por voto ponderado calibrado combina los anteriores. Los datos se dividen, de forma estratificada, en 64 % de entrenamiento, 8 % de validación, 8 % de calibración y 20 % de prueba —este último, nunca visto durante el aprendizaje, con 10 774 ingresos.

Cuatro familias de medidas juzgan los modelos, y aquí es donde el artículo destaca. La discriminación primero, vía AUROC (área bajo la curva ROC): la capacidad de clasificar a un futuro fallecido por delante de un futuro superviviente; 1,0 es perfecto, 0,5 es el azar. Pero la AUROC no dice nada de las probabilidades en sí. De ahí tres complementos. La AUPRC (área bajo la curva de precisión-recuperación), mucho más exigente cuando los casos positivos son raros, porque su valor «al azar» es igual a la prevalencia (aquí 0,107) y no 0,5. El score de Brier, que mide la distancia entre la probabilidad anunciada y la realidad (cuanto más bajo, mejor), y el análisis de calibración, que verifica que un riesgo anunciado del 30 % corresponde de verdad al 30 % de muertes observadas. Por último, el análisis de curva de decisión (DCA), que traduce el modelo en beneficio neto según el umbral de alerta elegido, y la interpretación por SHAP, un método que atribuye a cada variable su contribución a la predicción de un paciente dado.

Los resultados

El conjunto calibrado logra el mejor rendimiento global: AUROC de 0,856 (intervalo de confianza del 95 %: 0,846–0,867), AUPRC de 0,449 (0,418–0,480) y score de Brier de 0,078. XGBoost (AUROC 0,856; AUPRC 0,435) y LightGBM (AUROC 0,854; AUPRC 0,436) van prácticamente a la par. Los tres superan significativamente a la regresión logística (AUROC 0,823; AUPRC 0,376), pero la diferencia de AUROC es de solo 0,031 a 0,033 —unas tres centésimas. Dicho de otro modo, la maquinaria moderna solo gana un hilo de discriminación sobre el viejo modelo lineal.

La ganancia más clara está en otra parte: en la calibración. Antes del tratamiento, las probabilidades de XGBoost y LightGBM estaban mal ajustadas (scores de Brier de 0,134 y 0,151). Tras la calibración, caen a 0,078 y 0,076 —una mejora del 42 % y del 50 %. Esto importa porque un médico no necesita una clasificación, sino una cifra en la que confiar: «30 % de riesgo» debe significar 30 %. El análisis de curva de decisión confirma un beneficio neto coherente en un rango de umbrales del 5 % al 20 %, es decir, la zona donde un servicio podría razonablemente activar una vigilancia reforzada.

En cuanto a las variables, los predictores dominantes son la edad, la urea en sangre (un marcador de fallo renal y de gravedad general), el subtipo de UCI, la frecuencia de medición y variables relacionadas con el lactato (señal de hipoperfusión). Por subtipo, la AUROC se mantiene por encima de 0,79 en todas partes, con un máximo de aproximadamente 0,92 en la UCI cardíaca (donde los pacientes posoperatorios ofrecen una señal pronóstica clara) y un mínimo de aproximadamente 0,79 en la UCI médica (casos más heterogéneos). De notar: el bosque aleatorio cae por debajo de 0,70 en cuatro de cada cinco subtipos —una debilidad estructural de ese modelo, no del problema.

La traducción clínica honesta cabe en una frase: una AUROC de 0,856 indica una buena clasificación, pero una AUPRC de 0,449 sobre una mortalidad del 10,7 % significa que, a un umbral de alerta dado, una parte sustancial de los pacientes señalados «en riesgo» sobrevivirán —la precisión sobre la clase rara sigue siendo modesta. Lo que la calibración aporta, en cambio, es tangible: la probabilidad mostrada se convierte en un riesgo interpretable tal cual, sin tener que re-traducirlo mentalmente.

Lo que está bien

Una evaluación que mira más allá de la AUROC. La mayoría de los artículos de predicción clínica se detienen en la discriminación. Aquí, los autores añaden calibración, score de Brier, curva de decisión y SHAP —exactamente la batería que importa para un despliegue real, donde se actúa a un umbral y se debe poder confiar en la cifra. Es una higiene metodológica todavía demasiado rara.

Una ingeniería de variables consciente del tiempo. En lugar de aplastar cada análisis en una media, el pipeline capta las tendencias de 24 horas y la intensidad de vigilancia. Es más cercano al razonamiento de un intensivista, que lee una trayectoria (¿baja el lactato?) tanto como un valor aislado.

Una honestidad refrescante sobre la escasa ganancia de lo «moderno». El artículo no sobrevende el gradient boosting: muestra negro sobre blanco que la ventaja de AUROC sobre la regresión logística es de solo tres centésimas, y que el verdadero progreso viene de la calibración. Este rechazo del sensacionalismo es raro y valioso en una literatura que titula con gusto sobre AUROC de 0,9.

Lo que está menos bien

Un solo centro, ninguna validación externa: el modo de fallo del sesgo de población. Todos los datos vienen de un único hospital de Boston. Pero un modelo entrenado sobre una sola población, un solo sistema de información y un solo conjunto de prácticas ve degradarse su rendimiento —y sobre todo su calibración— en otro lugar (domain shift). Los autores lo admiten explícitamente y piden una validación multicéntrica. Tal como está, nada garantiza que «30 % de riesgo» en Boston valga 30 % en Lyon.

Una AUPRC modesta enmascarada por una AUROC halagadora: el modo de fallo de la métrica engañosa. En una tarea donde solo el 10,7 % de los ingresos son muertes, la AUROC de 0,856 suena bien pero la AUPRC de 0,449 revela la realidad: la precisión sobre la clase rara sigue siendo limitada. Es la trampa clásica de los datos desequilibrados, donde la puntuación que tranquiliza no es la que importa para el uso. En su favor, los autores informan de la AUPRC; aún hace falta que el lector sepa leerla.

La frecuencia de medición como predictor: el modo de fallo del atajo. Que el número de análisis solicitados figure entre los mejores predictores tiene doble filo. El modelo puede aprender el proceso de atención —un paciente al que se mide diez veces es un paciente al que se juzga grave— en lugar de la fisiología. Es un caso de shortcut learning acoplado a ausencia informativa: útil en los datos de origen, pero frágil entre hospitales cuyos hábitos de prescripción difieren. A ello se suman los límites asumidos: estudio retrospectivo, variables reducidas a la biología y los datos demográficos (ni signos vitales ni tratamientos), equidad entre subgrupos no evaluada, deriva de calibración reconocida, y código anunciado solo «tras la aceptación» (licencia MIT por venir, por tanto no verificable hoy). Por último, conviene notar que los tres autores están adscritos a escuelas de negocios (University of South Florida, Delaware State University), sin coautor clínico declarado —sin conflicto de intereses declarado, pero es un contexto útil de conocer.

Lo que cambia

Para la comunidad investigadora, el mensaje es metodológico antes que clínico: en MIMIC-IV, perseguir una AUROC siempre más alta ya no enseña gran cosa. El diferenciador útil es la calibración, el beneficio neto y la interpretabilidad —el kit que este trabajo ensambla con limpieza y que otros deberían adoptar por defecto. Es también un recordatorio de que, en datos tabulares, la regresión logística sigue siendo un comparador temible al que hay que ganar con claridad, no por tres centésimas.

Para los clínicos, nada es desplegable tal cual: un modelo monocéntrico, no validado externamente y sin signos vitales, no pasará la puerta de un servicio. Pero la manera de evaluar es ejemplar —una puntuación de mortalidad que no estuviera calibrada y cuyo beneficio de decisión no se hubiera medido no merecería que se confiara en ella. Para los pacientes y el público, la enseñanza es más amplia: un «riesgo» mostrado por una IA solo vale algo si está calibrado e interpretado en su contexto. Una cifra de riesgo no es un pronóstico individual ni una decisión —es el equipo asistencial quien la integra en el cuadro clínico completo.

Para saber más

El preprint está disponible en medRxiv (DOI 10.64898/2026.05.30.26354524). La base de datos es MIMIC-IV, distribuida a través de PhysioNet. Sobre la predicción de mortalidad por aprendizaje profundo y sus horizontes temporales, véase nuestro decriptaje de StrokeTHG tras un ictus; sobre la interpretación de modelos por SHAP, el del riesgo de tromboembolia en el cáncer de endometrio.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Traducciones al inglés, español y chino producidas con asistencia de IA y revisadas.