Resumen Técnico: PerCaM-Health

Enunciado del Problema

Las decisiones de atención médica personalizada requieren razonar sobre cómo las variables fisiológicas y conductuales influyen en un paciente individual a lo largo del tiempo. Sin embargo, los métodos existentes de descubrimiento causal temporal presentan una incompatibilidad fundamental con este escenario:

• Los modelos a nivel de cohorte proporcionan estructuras causales estables, pero no logran capturar la heterogeneidad específica del paciente.
• El descubrimiento por paciente es estadísticamente poco fiable porque las trayectorias longitudinales individuales suelen ser cortas, ruidosas, irregulares y no estacionarias.

Esto genera una brecha entre el modelado causal a nivel poblacional y los mecanismos específicos del paciente y variables en el tiempo necesarios para un razonamiento efectivo sobre intervenciones. Los predictores actuales en el ámbito de la salud son mayoritariamente asociativos, careciendo de los mecanismos causales explícitos necesarios para consultas contrafactuales (por ejemplo, "¿Cómo cambiaría la glucosa de un paciente si mejorara su sueño?").

Metodología: PerCaM-Health

Los autores proponen PerCaM-Health, un marco para aprender grafos causales dinámicos personalizados a partir de datos de salud longitudinales. El método opera en cinco etapas modulares:

1. Construcción del Estado del Paciente: Datos de salud heterogéneos (registros estructurados, dispositivos portátiles, registros, etc.) se agregan en trayectorias de estado del paciente ($x_{i,t}$) que contienen variables medidas e inferidas clínicamente (por ejemplo, estrés, adherencia, glucosa).
2. Aprendizaje de Grafos Poblacionales Guiado por Conocimiento: Se aprende un grafo dirigido a nivel de cohorte utilizando predicción con retraso, restricciones de dispersión y una penalización suave de aciclicidad (basada en los principios de NOTEARS/DYNOTEARS). Crucialmente, esta etapa incorpora priors clínicos (máscaras suaves) para fomentar dependencias plausibles y penalizar direcciones prohibidas, estableciendo un "andamio causal".
3. Adaptación del Grafo Específico del Paciente: En lugar de aprender un grafo desde cero para cada paciente, el marco adapta conservadoramente el andamio poblacional. Repondera las aristas respaldadas por la población utilizando evidencia temporal específica del paciente mediante regresión autorregresiva con restricciones de grafo. Esto asegura que el grafo permanezca anclado a estructuras poblacionales estables mientras refleja desviaciones individuales.
4. Evolución Dinámica con Ventana Deslizante: Para manejar la no estacionariedad (por ejemplo, cambios en los patrones de sueño o estrés), el grafo personalizado evoluciona a lo largo del tiempo. Utilizando ventanas temporales deslizantes, el marco estima efectos condicionales variables en el tiempo y aplica un suavizado exponencial para actualizar los pesos de las aristas, capturando cambios de régimen dentro de la trayectoria de un paciente.
5. Consultas de Intervención y Contrafactuales: La secuencia resultante de grafos dinámicos se acopla con ecuaciones estructurales temporales. Esto permite consultas contrafactuales basadas en el modelo, como estimar cambios en los resultados a corto plazo bajo intervenciones conductuales hipotéticas (por ejemplo, aumentar la actividad o reducir el estrés).

Contribuciones Clave

El artículo describe tres contribuciones principales:

1. Formulación: Plantea el aprendizaje de grafos causales dinámicos personalizados como un problema de adaptación de priors poblacionales para datos de salud longitudinales, cerrando la brecha entre modelos de cohorte estables y el descubrimiento frágil por paciente.
2. Mecanismo: Introduce actualizaciones conservadoras a nivel de paciente y con ventana deslizante. Estos mecanismos personalizan los pesos del grafo utilizando evidencia temporal local mientras mantienen el respaldo a nivel de cohorte, evitando el sobreajuste a trayectorias cortas y ruidosas.
3. Evaluación: Realiza una evaluación controlada semi-sintética con mecanismos causales dinámicos conocidos. Esto permite una evaluación directa de la recuperación del grafo, la adaptación específica del paciente, el seguimiento de aristas temporales y la precisión de la dirección de la intervención bajo condiciones heterogéneas y no estacionarias.

Resultados Experimentales

El marco se evaluó en un benchmark semi-sintético que contenía 120 pacientes con 60 pasos de tiempo cada uno, presentando vías causales de verdad fundamental conocidas (por ejemplo, sueño $\to$ estrés $\to$ glucosa) y cambios de régimen.

• Recuperación del Grafo: PerCaM-Health logró un rendimiento superior en comparación con líneas base estáticas, temporales, dinámicas y guiadas por conocimiento, con una Precisión de 0.92, una Recall de 0.97, un F1 de 0.94 y la menor Distancia de Hamming Estructural (SHD) de 0.85.
• Seguimiento Dinámico: El marco demostró una fuerte capacidad para rastrear fuerzas causales variables en el tiempo, logrando una precisión de dirección de 0.91 y una correlación temporal de 0.80, superando a los métodos dinámicos a nivel poblacional y a las correlaciones deslizantes ingenuas.
• Razonamiento de Intervención: En consultas contrafactuales, el método logró una precisión de dirección de intervención de 0.96 y la mayor reducción media de glucosa (-0.31) entre los métodos probados.
• Estudio de Ablación: Eliminar el prior poblacional degradó la recuperación del grafo; eliminar la personalización causó la mayor caída en la recuperación estructural; y eliminar la evolución dinámica eliminó las capacidades de seguimiento temporal. Esto confirma que cada componente (anclaje, personalización y evolución) aborda modos de fallo distintos.

Significado y Afirmaciones

El artículo afirma que modelar conjuntamente la personalización y la evolución temporal produce estructuras causales y razonamiento de intervención más fiables que los enfoques existentes. Al anclar grafos específicos del paciente a un andamio poblacional guiado por conocimiento, PerCaM-Health produce secuencias de grafos interpretables y auditables.

Los autores enfatizan que los resultados generados son hipótesis contrafactuales estructuradas fundamentadas en datos longitudinales y supuestos explícitos, en lugar de efectos clínicos definitivos. El marco está diseñado para apoyar la generación de hipótesis y el análisis de intervenciones posteriores, ayudando a los clínicos a identificar qué variables impulsan el riesgo de un paciente específico y cómo los mecanismos varían entre individuos y a lo largo del tiempo. El trabajo no afirma reemplazar los ensayos clínicos aleatorizados, sino ofrecer un método para generar conocimientos mecanísticos comprobables y específicos del paciente a partir de datos observacionales.