Representar a cada paciente como un grafo para saltarse la limpieza de datos: PatTree y su 98,5 % de precisión en la clasificación del Alzheimer

Julia Gehrmann, Lars Quakulinski, Hamza Naseem y Oya Beyan proponen PatTree, una forma de representar a cada paciente como un grafo de conocimiento construido automáticamente a partir de datos clínicos brutos y heterogéneos, sin pasar por la larga y costosa etapa de armonización que suele preceder al análisis. En un subconjunto de la cohorte ADNI-1 (763 sujetos), clasificar a los pacientes directamente a partir de este grafo alcanza una precisión equilibrada del 98,5 % y un F1 de 0,987 para separar enfermedad de Alzheimer, deterioro cognitivo leve y cognición normal. La ambición —prescindir de la limpieza manual de datos— es real y bienvenida, pero una puntuación tan próxima a la perfección en una tarea reputadamente difícil, obtenida en una sola cohorte y sin validación externa, debe leerse primero como una alarma metodológica, no como una prueba.

El contexto

Antes de entrenar un modelo con datos médicos reales, hay que prepararlos, y esa preparación es el cuello de botella silencioso de la IA en salud. Los datos de un paciente son multimodales —de naturalezas distintas: notas clínicas en texto libre, resultados de laboratorio, imagen, puntuaciones de tests cognitivos, datos demográficos—. Llegan con valores ausentes, en fechas distintas, en formatos incoherentes y con vocabularios que no coinciden de una fuente a otra. Hacer que todo eso quepa en una única tabla limpia —la armonización— es un trabajo largo, manual, propenso a errores y rara vez reproducible de un proyecto a otro.

La consecuencia es doble. Primero, una enorme parte del esfuerzo de un proyecto de IA médica se va en la limpieza y no en el modelado. Segundo, cada elección de armonización —qué variable conservar, cómo codificar un valor ausente, qué formato imponer— inyecta hipótesis humanas que pueden sesgar lo que el modelo aprende. La idea que gana terreno desde hace unos años es representar al paciente ya no como una fila de tabla, sino como un grafo de conocimiento: una red de nodos (los datos) unidos por aristas (sus relaciones), que absorbe de forma natural la heterogeneidad y los huecos.

En este contexto se sitúa PatTree, probado aquí en un problema clásico de neurología: distinguir, a partir de los datos de un paciente, la enfermedad de Alzheimer, el deterioro cognitivo leve (DCL, un estadio intermedio en el que las capacidades declinan sin llegar a la demencia) y una cognición normal. El terreno de pruebas es ADNI (Alzheimer's Disease Neuroimaging Initiative), una gran base pública de neuroimagen y datos clínicos muy usada por la comunidad.

El método

PatTree estructura automáticamente los datos brutos de un paciente en un único grafo de conocimiento. En concreto, cada elemento —un valor de laboratorio, una puntuación de test, una característica demográfica— se convierte en un nodo, y las relaciones entre esos elementos se convierten en aristas, todo conectado con el paciente. El argumento central de los autores es que esta construcción se hace sin pre-estandarización: no se impone de antemano un formato común ni una tabla fija. El grafo preserva las relaciones semánticas entre datos de modalidades y fuentes distintas, lo que lo hace interoperable (legible y combinable entre sistemas) e interpretable por la máquina.

La aportación reivindicada no es, pues, un nuevo clasificador, sino un nuevo sustrato: en lugar de limpiar los datos para que entren en un modelo, se los deja en su diversidad y se clasifica directamente a partir del grafo. Los autores afirman que la clasificación es «directamente factible» sobre PatTree, es decir, sin la etapa habitual de preparación.

Para evaluarlo, usan un subconjunto de 763 sujetos de ADNI-1 y una tarea de tres clases: Alzheimer, DCL, cognición normal. Se informan dos métricas. La precisión equilibrada es la media de las tasas de acierto clase por clase —útil cuando las clases tienen tamaños desiguales, porque impide que un modelo parezca bueno solo por favorecer a la clase mayoritaria—. El F1-score combina en una sola cifra la precisión (de los casos predichos como positivos, cuántos lo son de verdad) y el recall (de los verdaderos positivos, cuántos se recuperan); 1,0 es el máximo. Las cifras se miden en un conjunto de prueba apartado del entrenamiento (held-out). El resumen no precisa el comparador empleado para justificar la mención «estado del arte» —un punto sobre el que volvemos más abajo—.

Los resultados

En el conjunto de prueba, PatTree alcanza una precisión equilibrada del 98,5 % y un F1 de 0,987 para la clasificación de tres clases. Tomado al pie de la letra, esto significa que el modelo se equivoca muy pocas veces, y casi con la misma rareza para cada una de las tres categorías —incluido el DCL, que es justamente la clase que suele hacer caer las puntuaciones porque se solapa con las otras dos—.

Aquí es donde la lectura debe frenar. Distinguir Alzheimer, DCL y cognición normal es una tarea reputadamente difícil: la frontera entre DCL y cognición normal, como la que hay entre DCL y demencia incipiente, es difusa hasta en el propio diagnóstico clínico. Una separación casi perfecta no es el resultado esperable de un problema intrínsecamente ambiguo. Traducido a términos clínicos prudentes: sobre el papel, un modelo así no pasaría por alto casi a ningún paciente ni sobreclasificaría a casi ninguno; pero una puntuación que borra una dificultad real del terreno debe hacer sospechar que la dificultad se sorteó en algún punto de la cadena, en lugar de resolverse.

Dicho de otro modo, la cifra impresionante no es, en sí misma, una buena noticia: es una invitación a verificar de dónde viene el rendimiento. No reprochamos a los autores haber hecho trampa —nada lo indica—, pero un preprint que anuncia un 98,5 % en esta tarea desplaza la carga de la prueba: debe demostrar que ese resultado no es un artefacto.

Lo que está bien

Un problema real, atacado por el buen lado. El cuello de botella de la IA médica no es solo el algoritmo, es la preparación de los datos. Al buscar suprimir la etapa de armonización en lugar de optimizarla, PatTree ataca una causa de no reproducibilidad y de coste que la mayoría de los trabajos silencian. La orientación es acertada, y rara.

Un sustrato interoperable y reutilizable. Representar al paciente en un único grafo de conocimiento que preserva las relaciones semánticas entre modalidades va en la línea de los principios FAIR (datos localizables, accesibles, interoperables, reutilizables) que promueve la comunidad de la informática médica. Si la construcción del grafo es de verdad automática y sin hipótesis fuertes, la idea es transferible mucho más allá del Alzheimer, a cualquier conjunto de datos clínicos heterogéneo.

Métricas adecuadas y un conjunto de prueba separado. Informar la precisión equilibrada y el F1, y no solo la exactitud bruta, es la elección correcta para una tarea multiclase potencialmente desequilibrada. Usar un conjunto de prueba apartado, en vez de una mera validación cruzada sobre los datos de entrenamiento, es también la buena práctica básica. Como los datos de ADNI son públicos, la dirección del trabajo es verificable por otros equipos.

Lo que está menos bien

Una puntuación casi perfecta que evoca una fuga de datos. La fuga de datos (data leakage) es el modo de fallo número uno de la literatura de IA en salud: el modelo tiene acceso, directa o indirectamente, a la información que se supone que debe predecir. Aquí, dos mecanismos clásicos son plausibles y no quedan descartados por el resumen. Por un lado, ADNI contiene varios puntos temporales por paciente: si datos del mismo sujeto acaban a la vez en entrenamiento y en prueba, el rendimiento se infla. Por otro, la categoría diagnóstica (Alzheimer / DCL / normal) está en parte definida por puntuaciones cognitivas (tipo MMSE o CDR); si esas puntuaciones están en el grafo, el modelo no predice la enfermedad, relee la etiqueta. Un F1 de 0,987 en esta tarea es exactamente la firma que cabría esperar de tal fuga.

Una sola cohorte, muestra pequeña, ninguna validación externa. Setecientos sesenta y tres sujetos, todos de ADNI —una cohorte de investigación, seleccionada, poco representativa de la población real de pacientes—. Nada dice que el grafo construido sobre ADNI se transportara a otro hospital, otro país, otros protocolos: es el sesgo de población clásico. Y el argumento de venta de PatTree es precisamente la generalización a datos reales heterogéneos; demostrarlo en una sola cohorte limpia y bien etiquetada no pone a prueba esa promesa, la esquiva.

Un comparador no explicitado y un riesgo de shortcut learning. El resumen reivindica un nivel «estado del arte» sin nombrar la línea base con la que se compara ese 98,5 % —y, en una tarea ya muy estudiada, el valor de una cifra depende por completo de aquello con lo que se compara—. A ello se suma el riesgo de shortcut learning: el modelo puede agarrarse a un atajo correlacionado con el diagnóstico (un test casi definitorio, un artefacto de recogida) en lugar de a la señal de la enfermedad. Sin estudio de ablación ni análisis de interpretabilidad que muestre en qué se apoya el grafo, no se puede distinguir una comprensión real de un atajo.

Lo que cambia

Para la comunidad de investigación, la idea rectora —prescindir de la armonización manual dejando los datos en un grafo de conocimiento— merece explorarse, porque apunta a un coste real e infravalorado. Pero el listón de la prueba es claro: la próxima versión deberá presentar una auditoría de fuga de datos (separación estricta por paciente, exclusión de las variables casi definitorias de la etiqueta), una validación externa en al menos una segunda cohorte, y un comparador nombrado. Mientras falten esos tres elementos, el resultado espectacular sigue siendo una hipótesis, no una demostración.

Para los clínicos, nada que desplegar, y hay que decirlo con claridad: clasificar sujetos de ADNI en Alzheimer / DCL / normal no es una necesidad clínica —el diagnóstico se establece de otro modo, y en estos sujetos ya se conoce—. El interés eventual de PatTree no es este resultado, sino la promesa previa: pipelines capaces de ingerir historiales reales, desordenados, sin meses de preparación. Esa promesa aún no está demostrada.

Para los pacientes y el público, la lección es un reflejo de lectura útil ante cualquier anuncio de IA médica: una cifra cercana al 100 % en un problema que los propios médicos encuentran difícil debería despertar recelo, no entusiasmo. Los mejores estudios muestran a menudo puntuaciones más modestas, precisamente porque se esforzaron en no engañarse a sí mismos. El rendimiento solo vale en función de las condiciones en que se midió.

Para saber más

El preprint está disponible en arXiv (2608.02692), enviado el 3 de agosto de 2026 en la categoría cs.LG. Para el contexto, véase la cohorte ADNI (Alzheimer's Disease Neuroimaging Initiative), la literatura sobre grafos de conocimiento centrados en el paciente y los principios FAIR en informática médica, y los trabajos metodológicos sobre fuga de datos y shortcut learning en aprendizaje automático aplicado a la salud, que aportan las herramientas para instruir una puntuación tan alta.