Resumen Técnico: Corrección del Sesgo Diagnóstico Heterogéneo Mediante Modelos Ocultos de Markov Causales

Enunciado del Problema

Los modelos de predicción clínica desarrollados utilizando registros electrónicos de salud (RES) rutinarios a menudo sufren de sesgo diagnóstico heterogéneo. En la atención rutinaria, los individuos identificados como de alto riesgo (debido a factores clínicos) o pertenecientes a grupos demográficos específicos (por ejemplo, sexo, etnia, nivel socioeconómico) son frecuentemente sometidos a pruebas con mayor frecuencia que otros. Esto resulta en un retraso diagnóstico diferencial, donde ciertos grupos son subdiagnosticados o diagnosticados más tarde de lo que lo estarían bajo condiciones de prueba equitativas.

En consecuencia, los modelos entrenados con dichos datos aprenden a predecir la tasa de diagnóstico observada en lugar del verdadero riesgo subyacente de la enfermedad. Esto conduce a una subestimación sistemática del riesgo para los grupos subdiagnosticados, causando errores de calibración y una posible injusticia en la toma de decisiones clínicas. Los enfoques estándar a menudo fallan en abordar esto porque el estado real de la enfermedad no se observa para los individuos no diagnosticados, y el sesgo es impulsado por la interacción entre los atributos del paciente y el comportamiento de prueba del sistema de salud.

Metodología

Los autores proponen un marco de inferencia causal que utiliza un Modelo Oculto de Markov (HMM) para corregir este sesgo. El enfoque involucra tres componentes principales:

1. Modelado Causal mediante Grafos Acíclicos Dirigidos (DAG)

Los autores definen un DAG donde:

• $X_n$: Covariables de línea base (factores de riesgo).
• $A_n$: Atributos de observabilidad (por ejemplo, sexo, etnia, comorbilidades) que influyen tanto en el riesgo de enfermedad como en la probabilidad de prueba.
• $\tilde{A}_n$: La presentación de $A_n$ que afecta específicamente la decisión de prueba condicionada al estadio de la enfermedad.
• $S_{n,t}$: Estadio latente de la enfermedad (0: Sin enfermedad, 1: Estadio temprano, 2: Estadio tardío).
• $R_{n,t}$: Resultados de la prueba (Negativo, Positivo Temprano, Positivo Tardío, o Sin Prueba).
• $D_{n,t}$: Diagnóstico (ocurre si una prueba es positiva).

El objetivo es estimar un estimador contrafactual: la probabilidad de diagnóstico $P(D_{n,T}^{\tilde{A}_n=0} = 1 | X_n, A_n)$, que representa el riesgo si el individuo estuviera sujeto a la tasa de prueba de un grupo de referencia (típicamente el grupo con los retrasos diagnósticos más cortos), manteniendo su progresión de enfermedad y factores de riesgo reales.

2. Formulación del Modelo Oculto de Markov

El proceso longitudinal de la enfermedad se modela como un HMM con:

• Núcleo de Transición ($Q$): Define la probabilidad de moverse entre estadios de la enfermedad (0 $\to$ 1 $\to$ 2). Asume una enfermedad progresiva donde la regresión es imposible. La transición de "Sin enfermedad" a "Estadio temprano" está gobernada por una función de riesgo $h(X_n, A_n, t)$, mientras que la transición de "Temprano" a "Tardío" es una probabilidad constante $\beta_{S=1 \to 2}$.
• Probabilidades de Emisión ($\Gamma$): Define la probabilidad de observar un resultado de prueba $R_{n,t}$ dado el estadio latente $S_{n,t}$ y el atributo de observabilidad $A_n$. Crucialmente, las tasas de prueba para la enfermedad en estadio temprano ($\beta_{S=1, A_n}^R$) se permiten variar según $A_n$, capturando la heterogeneidad diagnóstica. Las tasas de prueba en estadio tardío se asumen independientes de $A_n$ debido a los síntomas severos.
• Estado Inicial ($\pi$): La distribución de probabilidad del estadio de la enfermedad en la línea base.

Los parámetros del modelo se estiman mediante máxima verosimilitud utilizando un algoritmo hacia adelante y optimización basada en gradientes (L-BFGS en PyTorch), marginalizando sobre los estados latentes no observados.

3. Imputación de Resultados Contrafactuales

Una vez ajustado el HMM, el método genera un conjunto de datos contrafactual para entrenar un modelo de predicción estándar:

1. Reconstrucción: El HMM estima la probabilidad de la trayectoria de enfermedad latente para cada individuo dado su historial de pruebas observado.
2. Intervención: Las probabilidades de emisión se modifican para reflejar la tasa de prueba del grupo de referencia ($\tilde{A}_n = 0$).
3. Imputación: Se calculan las probabilidades de diagnóstico contrafactual ($p_{n,T}^{cf}$). Para evitar inflar la incidencia, los autores aplican una asunción de monotonicidad: si un individuo fue diagnosticado en la realidad ($D=1$), permanece diagnosticado en el contrafactual ($D^{cf}=1$). Solo los individuos no diagnosticados ($D=0$) en el grupo subdiagnosticado son reimputados basándose en su probabilidad contrafactual.
4. Recalibración: Las probabilidades contrafactuales para los casos reimputados se reescalan para asegurar que la incidencia contrafactual total coincida con la incidencia poblacional contrafactual estimada.
5. Entrenamiento: Se entrena un modelo estándar de regresión logística en este conjunto de datos reimputado para predecir el resultado contrafactual.

Contribuciones Clave

• Marco de HMM Causal: El artículo introduce una aplicación novedosa de HMM causales para modelar y corregir explícitamente el retraso diagnóstico diferencial en enfermedades progresivas, yendo más allá de la simple corrección de etiquetas.
• Identificabilidad y Robustez: A través de simulaciones, los autores demuestran que los parámetros del HMM son identificables y que el enfoque permanece robusto incluso cuando se violan las asunciones (como la sensibilidad perfecta de la prueba o tasas de progresión uniformes).
• Aplicación en el Mundo Real: El método se aplica a un conjunto de datos a gran escala del UK Biobank para predecir la incidencia de Enfermedad Renal Crónica (ERC) a 5 años, corrigiendo con éxito el sesgo en múltiples subgrupos.
• Equidad Centrada en los Datos: El enfoque se alinea con la equidad "centrada en los datos" al modelar los mecanismos de registro de datos (comportamiento de prueba) que generan el sesgo, en lugar de simplemente eliminar los atributos protegidos del modelo.

Resultados

Estudios de Simulación

En simulaciones con 50.000 pacientes, el método propuesto superó significativamente a los modelos "Naïve" (entrenados con datos observados) y "Ciego" (entrenados sin atributos protegidos) estándar:

• Calibración: La relación Observado:Esperado (O:E) para el grupo subdiagnosticado mejoró de 1.34 (Naïve) a 1.02 (Propuesto), indicando una calibración casi perfecta.
• Robustez: Incluso cuando se violaron las asunciones (por ejemplo, sensibilidad imperfecta de la prueba o tasas de progresión variables), el método propuesto mantuvo una mejor calibración que los modelos estándar, aunque aumentó el sesgo en la estimación de parámetros.

Estudio de Caso: Enfermedad Renal Crónica (ERC)

Utilizando 123.460 individuos del UK Biobank:

• Heterogeneidad Diagnóstica: El HMM identificó la diabetes como el principal impulsor de la observabilidad (Odds Ratio: 10.36 para las tasas de prueba), seguido por la hipertensión. Ser mujer se asoció con tasas de prueba más bajas (OR: 0.69).
• Corrección del Sesgo:
  • El modelo Naïve subpredijo severamente el riesgo para pacientes sin diabetes (relación O:E: 1.55).
  • El modelo Imputado corrigió esto, logrando una relación O:E de 1.01 para el grupo no diabético, manteniendo al mismo tiempo la calibración para el grupo diabético (O:E: 1.01).
• Utilidad Clínica: El análisis de curvas de decisión mostró un beneficio neto mejorado en ambos grupos, particularmente para la población subdiagnosticada, sin reducir el rendimiento para los grupos bien monitoreados.
• Estratificación de Riesgo: El modelo corregido aumentó el riesgo estimado para los pacientes sin diabetes, reflejando su verdadero riesgo subyacente en lugar de su menor probabilidad de ser sometidos a pruebas.

Significado y Afirmaciones

Los autores afirman que su enfoque ofrece un método fundamentado teóricamente y validado empíricamente para reducir el sesgo y la injusticia en los modelos de predicción clínica sin requerir datos externos de incidencia o asunciones fijas sobre la prevalencia de la enfermedad.

Al modelar explícitamente el "proceso diagnóstico" como una variable latente influenciada por los atributos del paciente, el método permite la estimación del riesgo bajo un escenario contrafactual justo donde las tasas de prueba se igualan. Los autores enfatizan que esto conduce a una estratificación de riesgos más precisa, asegurando que las poblaciones subdiagnosticadas no sean sistemáticamente pasadas por alto en la atención preventiva. Posicionan este trabajo como un paso hacia la equidad "centrada en los datos", abordando las causas raíz del sesgo en los datos clínicos rutinarios en lugar de simplemente mitigar los síntomas en el modelo final.

El artículo concluye modestamente, señalando que, aunque el método depende de asunciones específicas (por ejemplo, progresión markoviana, tasas constantes de prueba en estadio tardío), proporciona un marco flexible que puede extenderse a trayectorias de enfermedad más complejas y múltiples tipos de pruebas en trabajos futuros.