De las puntuaciones individuales a los conjuntos admisibles: decodificación global bajo restricciones DDI

Planteamiento del problema: de las puntuaciones al conjunto admisible

Recomendar medicamentos requiere más que puntuaciones altas para los fármacos. El conjunto debe ser admisible en cuanto a las interacciones DDI. El trabajo arXiv:2610.29228 se presentó el 21 de octubre de 2026. Compara las correcciones locales con la decodificación global exacta. En todas las comparaciones se mantienen fijas las puntuaciones de los fármacos, el tamaño del conjunto de salida y la restricción DDI.

En el trabajo se usan las puntuaciones del clasificador FLAME congelado en MIMIC-III. Las condiciones clave de la comparación son:

• las puntuaciones de los fármacos se mantienen fijas;
• el tamaño del conjunto de salida se mantiene fijo;
• la restricción DDI se mantiene fija.

Conclusión: tiene sentido comparar los métodos cuando las puntuaciones, el tamaño del conjunto y la restricción DDI son iguales. De lo contrario, la diferencia en Jaccard no muestra la contribución del método.

Decodificación global mediante MILP

El decodificador global selecciona conjuntamente un conjunto admisible de medicamentos. Elige el conjunto admisible con las puntuaciones más altas, sujeto a la restricción DDI. Para ello, se aplica programación lineal entera mixta. En el artículo, este enfoque se denomina decodificación global exacta.

Etapas:

• obtener las puntuaciones de los fármacos;
• definir el tamaño del conjunto de salida;
• definir la restricción DDI;
• encontrar mediante MILP el conjunto admisible con las puntuaciones más altas.

Conclusión: la decodificación global resuelve el problema de selección del conjunto en su totalidad. El criterio práctico es aplicarla cuando la restricción DDI es estricta y se necesita un cumplimiento exacto de la admisibilidad.

Estrategias de corrección local

Los métodos locales corrigen las infracciones DDI en el conjunto. En el trabajo se comparan tres estrategias. Greedy repair realiza una corrección codiciosa. Degree-aware repair tiene en cuenta el grado del nodo. La variante mejorada añade una búsqueda local exhaustiva 1-swap.

Estrategias:

• greedy repair;
• degree-aware repair;
• degree-aware repair reforzado con una búsqueda local exhaustiva 1-swap.

Conclusión: los métodos locales se diferencian en cómo tienen en cuenta la estructura y en el alcance de la búsqueda local. El criterio de selección es comprobar cómo corrige cada estrategia las infracciones DDI y conserva las puntuaciones de los fármacos.

Comparación en los conjuntos de validación y prueba

En los conjuntos de validación y prueba, la decodificación global obtiene de forma consistente una mayor similitud de Jaccard que los métodos locales.

Conclusión: según la similitud de Jaccard, la decodificación global supera a los métodos locales en los conjuntos de validación y prueba. El criterio es orientarse por la similitud de Jaccard al elegir un método.

Restricción DDI, grado de severidad y composición de los errores

La ventaja de la decodificación global es pequeña con restricciones DDI laxas. Aumenta al endurecer la restricción. En el conjunto de prueba, en el punto operativo de DDI estricto, la ventaja frente al baseline local más sólido es de +0.0064 en Jaccard.

El resultado se mantiene:

• en un análisis detallado de accuracy–DDI con una exposición DDI observada equivalente;
• para tres representaciones de las puntuaciones.

Con una configuración estricta, la decodificación global conserva más medicamentos verdaderos positivos. También elimina más falsos positivos.

Conclusión: cuanto más estricta es la restricción DDI, más importante es la selección global del conjunto. El criterio práctico es evaluar el método en condiciones estrictas según Jaccard, la conservación de medicamentos verdaderos positivos y la eliminación de falsos positivos.