StrokeTHG: predecir la mortalidad tras un ictus a 30, 90 y 365 días con un grafo heterogéneo de historias clínicas

StrokeTHG es una red neuronal sobre grafo heterogéneo que predice de forma simultánea la mortalidad a 30, 90 y 365 días tras un ictus isquémico, a partir de las historias clínicas electrónicas de 4144 pacientes de un único sistema hospitalario de Pensilvania. Alcanza AUROC de 0,872, 0,878 y 0,837 según el horizonte, superando de manera sistemática a los modelos tabulares clásicos (regresión logística, bosque aleatorio, XGBoost), sobre todo en el umbral de sensibilidad útil para el triaje. La mejora es real, pero la evaluación sigue siendo monocéntrica, transductiva y sin validación externa: una señal metodológica alentadora, todavía no una herramienta clínica.

El contexto

Predecir el riesgo de muerte tras un ictus ayuda a personalizar la atención, orientar las conversaciones de pronóstico y asignar recursos. Pero los modelos existentes comparten dos limitaciones. Primero, tratan cada horizonte temporal por separado: un modelo para la mortalidad a 30 días, otro a un año, sin coherencia entre ellos. Segundo, representan la historia de un paciente como un simple vector de variables —una larga lista de columnas (edad, comorbilidades, resultados de laboratorio)— lo que aplasta la estructura relacional de las historias clínicas electrónicas (EHR, electronic health records).

Pero una EHR no es una hoja de cálculo: es una red. Un paciente está conectado a sus ingresos, diagnósticos, comorbilidades, el hospital que lo trató, el especialista que lo siguió y —de forma indirecta— a otros pacientes con un perfil biológico parecido. Las redes neuronales sobre grafo (GNN, graph neural networks) están diseñadas precisamente para explotar ese tipo de estructura. El equipo de Penn State propone una GNN heterogénea —un grafo que distingue varios tipos de nodos y enlaces— para comprobar si esa riqueza relacional mejora la predicción más allá de los modelos tabulares.

El método

Los autores reunieron una cohorte retrospectiva de 4144 pacientes con ictus isquémico como diagnóstico principal de alta entre 2017 y 2023 en Penn State Health, un sistema académico con varios centros. Edad media 69,0 años, 54,3 % hombres, 83 % pacientes blancos. La mortalidad observada fue del 9,7 % a 30 días, 13,7 % a 90 días y 19,6 % a un año. La cohorte se dividió en 60 % de entrenamiento, 20 % de validación y 20 % de prueba, estratificada por la mortalidad a 30 días.

El núcleo del método es la construcción de un grafo heterogéneo con nueve tipos de nodos (paciente, ingreso, diagnóstico, centro, médico, comorbilidad, fenotipo, vía de atención, nivel de gravedad DRG) y diecinueve tipos de enlaces. Entre ellos, dos canales de similitud entre pacientes calculados por K vecinos más próximos (KNN): uno amplio (K=25, sobre todas las variables) y otro específico de los 42 valores de laboratorio (K=15). Un punto clave: cada paciente solo se conecta con vecinos del conjunto de entrenamiento, para evitar una fuga directa de información entre pacientes de prueba. Los nodos «fenotipo» son centroides de clústeres obtenidos por K-means sobre los análisis —sirven de anclas de gravedad implícitas.

La arquitectura proyecta cada nodo en un espacio de 128 dimensiones y aplica luego tres capas de message passing (cada nodo agrega información de sus vecinos, paso a paso). El tiempo de ingreso se codifica con incrustaciones sinusoidales. Sobre todo, el modelo termina con tres cabezas de predicción monótonas: una construcción matemática que garantiza que el riesgo a 30 días nunca puede superar al de 90 días, a su vez acotado por el de un año. Esta coherencia de probabilidades se impone por construcción, no solo se aprende. El entrenamiento combina un preentrenamiento por enmascaramiento (reconstruir el 30 % de las variables ocultas), una focal loss asimétrica para el desequilibrio de clases y una única semilla aleatoria (42). Los comparadores —regresión logística, bosque aleatorio, XGBoost— se entrenan sobre 253 variables tabulares con la misma partición.

Los resultados

StrokeTHG obtiene las mejores AUROC en los tres horizontes: 0,872 a 30 días, 0,878 a 90 días y 0,837 a un año, frente a 0,832, 0,823 y 0,805 del mejor comparador, XGBoost. La AUROC (área bajo la curva ROC) mide la capacidad de ordenar correctamente a un paciente fallecido por delante de un superviviente: 0,872 significa que ocurre en cerca del 87 % de los pares. En las pruebas estadísticas por bootstrap pareado, 6 de las 9 comparaciones son significativas (p < 0,05), con la señal más clara a 90 días.

El resultado clínicamente más expresivo es la sensibilidad con especificidad fijada en ≥ 75 %. En ese umbral, StrokeTHG detecta el 78,7 %, 83,5 % y 73,9 % de las muertes en los tres horizontes, de 5 a 10 puntos porcentuales más que el mejor comparador. En la práctica, por cada 1000 pacientes en el horizonte de 90 días (137 muertes esperadas): el modelo señala unas 114 de las 137 muertes y pasa por alto 23, mientras que XGBoost señalaría 104 y pasaría por alto 33 —unos diez pacientes de alto riesgo más identificados, con una carga de falsas alarmas comparable. Un análisis controlado muestra además que los embeddings (representaciones vectoriales aprendidas) de StrokeTHG superan a los de otros métodos de grafo cuando todos pasan por el mismo clasificador de regresión logística, lo que confirma que la mejora viene de la calidad de la representación, no del clasificador. La ablación de enlaces señala la conexión fenotipo→paciente como la más influyente, seguida de ingreso→paciente.

Lo que está bien

Las cabezas de predicción monótonas. Imponer por construcción que P(muerte a 30 d) ≤ P(muerte a 90 d) ≤ P(muerte a 1 año) es elegante y está clínicamente justificado: un modelo que predijera un riesgo a corto plazo mayor que el de largo plazo produciría salidas incoherentes y desconcertantes para un clínico. Aquí la coherencia está garantizada, no solo esperada.

La separación representación/clasificador. Los autores no se limitan a comparar StrokeTHG con modelos tabulares. Extraen los embeddings de cinco métodos de grafo distintos y los evalúan todos con el mismo clasificador. Esta disciplina aísla el efecto de la representación y hace que la mejora sea creíble en vez de circular.

La construcción anti-fuga de los enlaces de similitud. Conectar cada paciente solo con vecinos de entrenamiento es el reflejo correcto: impide que los pacientes de prueba «se reconozcan» entre sí e inflen artificialmente el rendimiento por el canal de similitud. Informar de la sensibilidad con especificidad fijada, en lugar de solo la AUROC, también apunta a una lectura clínica honesta.

Lo que está menos bien

Una evaluación transductiva frente a comparadores inductivos. Es el punto más delicado. StrokeTHG se entrena de forma transductiva: el grafo completo, incluidos los nodos de los pacientes de prueba, está presente durante el entrenamiento. Los autores reconocen que, incluso con enlaces de similitud limpios, los nodos compartidos (fenotipos, comorbilidades) crean conexiones indirectas a dos saltos entre pacientes de entrenamiento y de prueba, por las que la información de las variables puede propagarse. Los comparadores (regresión logística, XGBoost), en cambio, se entrenan de forma inductiva, sin acceso alguno a los pacientes de prueba. La comparación no es, pues, del todo en igualdad de condiciones —una mezcla de comparador sesgado y de fuga de datos parcial, dos modos de fallo clásicos de la IA en salud. Los autores lo admiten y posponen una evaluación estrictamente inductiva (tipo GraphSAGE) a trabajo futuro.

Monocéntrico, poco diverso y una métrica halagadora. Toda la cohorte procede de un único sistema de Pensilvania, con un 83 % de pacientes blancos —un sesgo de población evidente—, mientras que se menciona una cohorte externa (Geisinger) disponible pero no utilizada. No se realiza ninguna validación externa. Además acecha la métrica engañosa: a 30 días, una AUROC de 0,872 convive con una AUPRC de apenas 0,393, porque las muertes son solo el 9,7 % de los casos —en términos absolutos, el modelo genera muchas falsas alarmas que la AUROC oculta.

La ausencia de las variables que más importan en el ictus. El grafo se construye sobre un esquema genérico de EHR, no específico del ictus: no contiene escala de gravedad neurológica (NIHSS), ni imagen cerebral, ni estado de reperfusión (trombólisis, trombectomía) —pese a estar entre los determinantes más fuertes de la mortalidad tras un ictus. A ello se suman una única semilla aleatoria (sin medida de la variabilidad de entrenamiento), un código aún no publicado («tras la aceptación») y una ventaja que se evapora en el horizonte más útil para la prevención secundaria: a un año, StrokeTHG empata con una simple factorización matricial (NMF, 0,821 frente a 0,823).

Lo que cambia

Para la comunidad investigadora, el valor no es tanto el resultado bruto como la plantilla: un grafo heterogéneo de EHR con cabezas monótonas multihorizonte, junto a una comparación rigurosa de embeddings, ofrece un patrón reutilizable para otras tareas de estratificación del riesgo. El hallazgo de que el enlace más útil sea fenotipo→paciente —una forma de filtrado colaborativo en la que el modelo aprende del desenlace de pacientes biológicamente próximos— es un punto de partida para pensar qué aporta realmente el grafo.

Para los clínicos, la respuesta honesta es: nada de momento. Un modelo monocéntrico, transductivo, sin validación externa ni variables de gravedad del ictus no puede conectarse a un servicio. El potencial —una herramienta de triaje que señale a los pacientes de alto riesgo para una vigilancia más estrecha— es real, pero está condicionado a una validación prospectiva multicéntrica. Para los pacientes y el público, es una ocasión para recordar que una puntuación de mortalidad no es una sentencia: sirve para organizar la atención, no para decidir un destino individual, y la medicina sigue siendo la que interpreta la cifra.

Para saber más

El preprint está disponible en medRxiv (DOI 10.64898/2026.06.09.26355176), con licencia CC-BY-ND, financiado por los NIH (R01NS128986), sin conflicto de intereses declarado. El código se anuncia «tras la aceptación» del manuscrito. Sobre enfoques afines de pronóstico neurológico mediante aprendizaje automático, véase nuestro decriptaje del pipeline de neuroimagen para el pronóstico cognitivo tras un ictus y, sobre las trampas de los modelos de riesgo tabulares, el modelo SHAP-SVM de tromboembolia.

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.