Pancreatitis aguda grave: un bosque aleatorio supera a todos los modelos de aprendizaje profundo en 722 pacientes

Un preprint firmado por un solo autor (Netanel Stern, «PenuX Research Initiative») compara once modelos de aprendizaje automático y profundo para predecir, desde el ingreso y a partir de trece análisis de laboratorio de rutina, qué pacientes desarrollarán una pancreatitis aguda grave — en una cohorte china pública de 722 pacientes. El resultado es claro e instructivo: los modelos clásicos ganan, un bosque aleatorio alcanza un AUC de 0,877, mientras que todos los modelos de aprendizaje profundo rinden peor, y algunos se desploman hasta predecir «grave» para casi todos. Es un resultado negativo honesto y útil — los árboles superan a las redes neuronales en datos tabulares pequeños — pero la cohorte contiene un 81 % de casos graves, lo contrario de la realidad clínica, y el estudio nunca se compara con las escalas clínicas que dice superar: por tanto, aún no prueba nada sobre su utilidad junto al paciente.

El contexto

La pancreatitis aguda es una de las urgencias digestivas más frecuentes, con una incidencia mundial estimada en unos 34 casos por cada 100 000 personas al año. En la mayoría de los casos se resuelve sola, pero entre el 10 y el 20 % de los pacientes evoluciona a una forma grave (severe acute pancreatitis, SAP), definida por la Clasificación de Atlanta revisada de 2012 como la presencia de un fallo orgánico persistente — que dura más de 48 horas. Esta forma grave es temible: la mortalidad ronda el 20 a 40 % y exige enormemente a las unidades de cuidados intensivos.

Todo el desafío es anticipar. Detectar pronto a los pacientes de riesgo permite escalar a vigilancia intensiva, reanimar con fluidos de forma enérgica y organizar una atención multidisciplinar. Sin embargo, las escalas de gravedad existentes — Ranson, APACHE II, BISAP, índice de gravedad por TC modificado — comparten una limitación: exigen datos acumulados durante 24 a 48 horas, o una TC con contraste no siempre apropiada en la fase aguda. De ahí el atractivo de un modelo que decidiera a la llegada a urgencias, solo con la primera extracción de sangre. Ese es el objetivo que se fija este preprint.

El método

Los datos proceden de una cohorte china ya publicada y depositada públicamente en GitHub: 722 pacientes con pancreatitis aguda, de los cuales 585 (81,0 %) clasificados como graves y 137 (19,0 %) como leves o moderadamente graves. Esta proporción es esencial tenerla presente: no refleja la frecuencia real de la forma grave, sino el reclutamiento de un centro de referencia, donde los casos graves están sobrerrepresentados. Cada paciente se describe con trece variables disponibles al ingreso: recuento de leucocitos, proteína C reactiva, creatinina, urea, glucemia, calcemia, LDH, albúmina, hematocrito, edad, índice de masa corporal, frecuencia cardíaca y presión arterial sistólica.

El autor enfrenta once modelos en tres familias. Tres modelos clásicos: una regresión logística, un bosque aleatorio (Random Forest, un conjunto de cientos de árboles de decisión que votan, aquí 500 árboles con ponderación de clases) y un gradient boosting (árboles añadidos sucesivamente, cada uno corrigiendo los errores del anterior). Tres redes neuronales de propagación hacia delante: un perceptrón multicapa (MLP, la arquitectura básica donde la información atraviesa capas sucesivas), una variante con conexiones residuales y una variante con mecanismo de atención (que pondera la importancia relativa de las variables). Por último, cinco modelos recurrentes de tipo LSTM — una arquitectura diseñada para secuencias temporales. Detalle decisivo: los datos tabulares, que no tienen dimensión temporal, se presentan aquí a estas redes como «secuencias» de longitud 1, un uso fuera de su dominio de diseño.

La evaluación se basa en una validación cruzada estratificada de cinco pliegues (la cohorte se divide en cinco partes, preservando la proporción de casos graves, y cada parte sirve a su vez de conjunto de prueba). Un punto notable de higiene metodológica: la normalización y la imputación de los valores faltantes se calculan únicamente sobre los pliegues de entrenamiento, lo que evita la fuga de datos (data leakage) — la contaminación del conjunto de prueba con información del entrenamiento, que infla artificialmente el rendimiento. El umbral de decisión se elige para maximizar el F1 (la media armónica entre precisión y sensibilidad). Las métricas reportadas son el AUC (área bajo la curva ROC, la capacidad de separar graves de no graves), el F1, la sensibilidad y el valor predictivo positivo. No se realiza ninguna validación externa.

Los resultados

Los modelos clásicos dominan. El bosque aleatorio encabeza con un AUC de 0,877, un F1 de 0,917, una sensibilidad del 96,8 % y un valor predictivo positivo del 87,1 %; en su umbral optimizado de 0,535, identifica correctamente el 96,8 % de los casos graves (unos 566 verdaderos positivos y 19 falsos negativos en la cohorte). El gradient boosting le sigue muy de cerca: AUC 0,874, F1 0,918, sensibilidad 97,1 %. La regresión logística alcanza 0,817.

El aprendizaje profundo rinde sistemáticamente peor. La mejor red de propagación hacia delante, el MLP simple, se queda en 0,836 — digno pero por debajo de los árboles. Los modelos recurrentes se desploman: el mejor de ellos, un CNN-LSTM, solo alcanza 0,777, el LSTM estándar 0,699, y la variante LSTM con atención cierra la marcha con 0,684. La diferencia entre el bosque aleatorio y el mejor modelo recurrente es de 0,100 puntos de AUC, considerable. Sobre todo, los LSTM muestran sensibilidades del 98,3 al 100 % a costa de una especificidad casi nula: han basculado hacia la clase mayoritaria y predicen «grave» para casi todos. Una sensibilidad del 100 % obtenida declarando enfermo a todo el mundo no vale nada — la ilustración práctica de una métrica engañosa.

Una traducción clínica honesta obliga a advertir sobre estas cifras halagüeñas. El valor predictivo positivo del 87,1 % se midió en una población con un 81 % de casos graves. Ahora bien, la precisión de una prueba depende de la prevalencia: aplicado a un servicio de urgencias real donde solo el 10 al 20 % de los pacientes evolucionará a la forma grave, el mismo modelo produciría muchas más falsas alarmas para la misma sensibilidad. El autor señala que su sensibilidad «se compara favorablemente» con los valores publicados del 60 al 80 % para BISAP y APACHE II en las 24 horas, pero sin calcular nunca esas escalas en la misma cohorte — la comparación sigue siendo indirecta.

Lo que está bien

Higiene metodológica contra la fuga de datos. Normalización e imputación calculadas solo sobre los pliegues de entrenamiento, validación cruzada estratificada que preserva el desequilibrio de clases, umbral fijado sobre la porción de entrenamiento: estas precauciones, a menudo descuidadas en la literatura de IA en salud, se aplican aquí correctamente y limitan el riesgo de rendimiento artificialmente inflado.

Un resultado negativo asumido. Informar de que el aprendizaje profundo pierde frente a un bosque aleatorio, y de que los LSTM se desploman, va contra el sesgo de publicación que favorece los anuncios positivos. La elección de variables es además clínicamente sensata: solo análisis de rutina disponibles desde el ingreso, sin TC, por tanto precoces y económicos.

Transparencia. El código es público en GitHub, el estudio se apoya en un conjunto de datos abierto, el autor declara ausencia de financiación y de conflicto de intereses, y una advertencia explícita precisa que el trabajo no está destinado a uso clínico. Tantas señales de seriedad, raras para un preprint.

Lo que está menos bien

Una cohorte con un 81 % de casos graves: los modos de fallo del sesgo de población y de la métrica engañosa. La prevalencia del estudio es lo contrario de la realidad epidemiológica (10 al 20 % de formas graves). Todas las cifras de rendimiento — y sobre todo el valor predictivo positivo — quedan mecánicamente embellecidas. La cifra estrella del 96,8 % de sensibilidad casi no dice nada de lo que haría el modelo en urgencias, en una población donde los casos graves son raros.

Ningún comparador clínico: el modo de fallo del comparador ausente. El artículo nunca enfrenta sus modelos a las escalas BISAP, APACHE II o Ranson en esta cohorte. Sin embargo, toda la justificación — superar escalas lentas — descansa en esa comparación, que no se hace. Afirmar una superioridad frente a valores tomados de otros estudios, en otras poblaciones, no tiene valor probatorio.

Sin validación externa y con una procedencia frágil. Todo descansa en una única cohorte china, reutilizada de un repositorio público; nada garantiza la generalización a otros países, otras etiologías u otras prácticas. El autor reconoce que la validación cruzada puede sobreestimar el rendimiento frente a un verdadero conjunto de prueba independiente. Y el trabajo es un preprint sin revisión por pares, firmado por un único autor adscrito a una «iniciativa de investigación» sin afiliación hospitalaria o universitaria identificable: la madurez sigue siendo la de un prototipo.

Lo que cambia

Para la comunidad investigadora, el estudio es un recordatorio saludable: en datos tabulares pequeños, los árboles potenciados y los bosques aleatorios siguen siendo la referencia a batir, y aplicar LSTM a datos sin dimensión temporal — plegados en secuencias de longitud 1 — es un error de categoría. El reflejo «problema médico, por tanto aprendizaje profundo» queda aquí claramente en evidencia.

Para los clínicos, nada es desplegable: sin validación externa, sin comparación con las escalas que ya usan y con una prevalencia no representativa. El modelo no ha demostrado que aporte nada más allá de las herramientas existentes. Para los pacientes y el público general, el estudio ilustra sobre todo una regla de lectura: un titular del tipo «una IA predice la pancreatitis grave con un 97 % de acierto» oculta que la cohorte ya tenía un 81 % de casos graves — una cifra que no se traslada tal cual a una sala de urgencias real.

Para saber más

El preprint está disponible en medRxiv (DOI 10.64898/2026.06.20.26356146); el código está publicado en el repositorio GitHub del autor, y la cohorte de origen en un repositorio público dedicado. Sobre la lectura crítica de los modelos clínicos — calibración, curvas de decisión y prevalencia — véase nuestro análisis de la predicción de mortalidad en cuidados intensivos sobre MIMIC-IV; sobre el aprendizaje clásico y la explicabilidad, 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.