En la sesión pasada desarmamos un sistema que se instaló en cientos de hospitales sin que nadie lo midiera en su propia población. Fue cómodo, porque el error era de otro. Hoy cada uno pone sobre la mesa una pregunta de predicción propia y la sometemos al mismo interrogatorio.
Una ficha de problema de una página, llena y revisada por un compañero. Es el documento con el que vamos a trabajar en las seis sesiones que quedan.
En las sesiones de machine learning no vamos a modelar un ejercicio de juguete. Vamos a modelar esto. Una ficha floja hoy es un semestre incómodo.
| 1 · Objetivo | Sepsis definida como dos criterios de respuesta inflamatoria más uno de disfunción orgánica dentro de 6 horas, con códigos CIE-10. Prevalencia: 7% de las hospitalizaciones. |
| 2 · Unidad | La hospitalización. Pero el puntaje se calcula cada 15 minutos, y esa discordancia entre lo que se calcula y lo que se evalúa fue parte del problema. |
| 3 · Momento | Cada 15 minutos desde el ingreso, de forma continua, sin que nadie lo pida. |
| 4 · Fuente | Cerca de 80 variables ya presentes en la historia clínica. Disponibles en automático, sin digitación adicional. |
| 5 · Decisión | La enfermera recibe la alerta y decide si escala al médico. Esa es la única acción que cambia. |
| 6 · Errores | Falso positivo: alertas en el 18% de las hospitalizaciones con VPP del 12%, es decir fatiga de alarma. Falso negativo: el 67% de los pacientes con sepsis nunca generó alerta. |
Nadie llenó esta ficha antes de encender el sistema. La llenaron los investigadores, un año después.
Cada uno con la suya, la de su práctica o la de su tesis. La llenamos aquí, no en la casa. Si un campo no lo podemos responder, dejamos la casilla vacía y escribimos al lado por qué. Una casilla vacía y explicada vale más que una casilla rellenada con humo.
Si no podemos escribir el campo 1 sin usar la frase «según criterio clínico», el desenlace no está en ninguna base de datos.
Si el campo 3 dice «al egreso» y el campo 5 dice que sirve para intervenir, la pregunta no es de predicción, es de descripción.
Si en el campo 5 nadie hace nada distinto, el modelo puede ser perfecto y aun así no servir para nada.
La ficha imprimible es la última lámina de esta baraja.
Cada ficha pasa al compañero de la derecha. Diez minutos para leerla y dos para exponer, en voz alta, cuál es el campo más débil y por qué. No vale decir que está bien.
¿El desenlace está de verdad en una base de datos, o hay que ir a leer historias una por una?
¿Alguna variable del campo 4 se registra después del momento del campo 3?
¿La decisión del campo 5 se toma hoy de otra forma, y esa forma es peor?
¿Cuál de los dos errores del campo 6 duele más, y el modelo está pensado para evitar ese?
Criticamos el trabajo, no a la persona. La fórmula que funciona: «en el campo tres dice X, y eso implica Y, que me parece un problema porque Z».
No aprobamos un modelo. Aprobamos una tarea, en una población, para una decisión.
De aquí en adelante viene lo que todo el mundo llama «la parte de inteligencia artificial»: regresión logística, árboles, bosques, redes neuronales, modelos de lenguaje. Nada de eso arregla una ficha mal llena. Un algoritmo mejor sobre una pregunta mal planteada produce un error más rápido y más convincente.
Recorremos «El reloj y la alarma» antes de llegar, está abierto y sin registro en el Laboratorio de Sepriori. Y traemos identificada la base de datos de la que saldría nuestra ficha, aunque sea imperfecta.
En algún punto vamos a tener un modelo con buen desempeño y una ficha mal llena. Esa combinación es exactamente el caso de la primera sesión.
Nombre: ______________________________ · La pregunta, en una sola frase: ______________________________________________________________