Resumen Técnico: DiffDT – Uniendo Modelos Generativos de Eventos de Salud con Gemelos Digitales de los Determinantes Sociales de la Salud

1. Definición del Problema

Los modelos generativos actuales para la predicción de enfermedades se basan principalmente en Registros Electrónicos de Salud (EHR) y representaciones a nivel de eventos (por ejemplo, códigos ICD) para modelar la progresión de la enfermedad como un problema de predicción del siguiente token utilizando arquitecturas autoregresivas (AR). Aunque son efectivos para capturar patrones de utilización de la atención médica, estos métodos enfrentan dos limitaciones críticas:

1. Falta de Fundamentación Fisiológica: Carecen de mediciones directas de los procesos fisiológicos subyacentes (biomarcadores) para calibrar las incertidumbres, lo que limita su capacidad para modelar la etiología biológica de la enfermedad.
2. Modelado Insuficiente de los Determinantes Sociales de la Salud (DSS): Los modelos existentes a menudo ignoran o representan inadecuadamente los DSS. Incluso cuando utilizan proxies codificados en ICD (Capítulos Z y V–Y en ICD-10), no logran modelar explícitamente cómo estos factores interactúan con los datos de sensores multiorgánicos para influir en las trayectorias de la enfermedad.

Además, los enfoques actuales de Gemelos Digitales (GD) a menudo se centran en la simulación física específica del sujeto o en la extracción de representaciones estáticas, pero carecen de la capacidad para modelar la cadena causal longitudinal donde la historia médica pasada moldea el estado fisiológico actual, que a su vez media el inicio futuro de la enfermedad.

2. Metodología: El Marco DiffDT

Los autores proponen DiffDT, un marco de aprendizaje integrado que combina un modelo AR impulsado por eventos con un marco de difusión latente condicional. La innovación central es modelar el razonamiento sobre enfermedades como una inferencia de mediación probabilística: $P(\text{Futuro} | \text{Biomarcador}) \cdot P(\text{Biomarcador} | \text{Historia})$.

2.1 Tokenización Adaptativa de la Historia Médica y Esqueleto AR

Para manejar la resolución temporal irregular de los datos de EHR, los autores proponen una estrategia de tokenización adaptativa:

• Se construye una cuadrícula temporal unificada que abarca el rango de edad de la cohorte, permitiendo eventos simultáneos.
• Un modelo AR basado en Transformer ($\phi$) se entrena previamente en más de 500,000 sujetos para aprender incrustaciones conscientes de la causalidad. Predice el siguiente token ICD basándose en la historia de eventos e incrustaciones de edad.
• Este modelo AR sirve como mecanismo de condicionamiento, codificando la historia médica pasada en una representación latente ($\hat{y}$) que guía la generación de gemelos digitales.

2.2 Generación de Gemelos Digitales Multiorgánicos mediante Difusión

El marco genera "Gemelos Digitales" (GD) sintéticos que representan el estado fisiológico de múltiples órganos (cerebro, corazón, hígado, riñón) condicionados a la historia médica.

• Biomarcadores Tabulares (Corazón, Hígado, Riñón):

  • Se emplea un modelo de difusión híbrido de tiempo continuo para datos tabulares (por ejemplo, grosor de la pared miocárdica).
  • Utiliza una Ecuación Diferencial Estocástica (EDE) con formulación de Explosión de Varianza (VE) para variables continuas y una difusión de espacio de estados discreta (proceso absorbente) para variables categóricas.
  • Se adapta la Guía Libre de Clasificador (CFG) para condicionar la generación en secuencias ICD observadas, permitiendo la imputación de rasgos orgánicos faltantes basados en la historia médica.

• Biomarcadores Topológicos (Redes Cerebrales):

  • La conectividad funcional cerebral se representa como matrices Simétricas Positivo-Definidas (SPD), que residen en una variedad Riemanniana. La difusión euclidiana estándar corrompe esta estructura geométrica.
  • SPD-VQVAE: Los autores introducen un Autoencoder Variacional Cuantizado Vectorial construido sobre descomposición de Cholesky.
    • El Teorema 1 establece que la descomposición de Cholesky es un difeomorfismo que mapea la variedad SPD ($\mathcal{S}^N_{++}$) a la variedad de matrices triangulares inferiores con diagonales positivas ($\mathcal{L}^N_{++}$).
    • El codificador mapea la matriz SPD a un espacio latente discreto, y el decodificador reconstruye la matriz prediciendo el factor de Cholesky ($L$) y calculando $\hat{M} = \hat{L}\hat{L}^\top$. Esto asegura que los GD generados residan matemáticamente en la variedad SPD correcta sin incurrir en la complejidad $O(N^3)$ asociada a las descomposiciones espectrales.
  • LDM Condicional de Cholesky: Un Modelo Probabilístico de Difusión de Eliminación de Ruido (DDPM) opera en este espacio latente. Utiliza atención cruzada para incorporar el contexto de la historia médica ($\hat{y}$) del modelo AR, permitiendo la síntesis de estados de redes cerebrales personalizados.

2.3 Inferencia Predictiva

Durante la inferencia, la tubería opera secuencialmente:

1. El modelo AR codifica la secuencia ICD pasada.
2. Los modelos de difusión generan estados hipotéticos de GD multiorgánicos para el siguiente paso de tiempo.
3. Un Modelo Fundamental (FM) ajustado finamente analiza el GD generado para predecir el inicio de enfermedades futuras (siguiente token ICD).

3. Contribuciones Clave

1. SPD-VQVAE: Una arquitectura novedosa para generar conectividad funcional cerebral que respeta la geometría no euclidiana de las variedades SPD utilizando descomposición de Cholesky, permitiendo una difusión computacionalmente tratable ($O(N^2)$ o menor) en datos de neuroimagen de alta dimensión.
2. LDM de Cholesky con Doble Decodificador: Un modelo de difusión latente condicional que garantiza que los gemelos digitales generados residan en la variedad SPD sin costos $O(N^3)$, acoplado con una arquitectura de doble rama para capturar patrones de frecuencia de paso bajo y paso alto en redes cerebrales.
3. Mecanismo de Mediación Probabilística: Un marco que une eventos clínicos discretos (ICD) y variedades fisiológicas continuas, permitiendo un razonamiento sobre enfermedades de múltiples vías donde los proxies de DSS condicionan la generación de estados fisiológicos.
4. Tokenización Adaptativa: Un método para estandarizar cronologías irregulares de EHR para condicionar modelos de difusión.

4. Resultados Experimentales

Los experimentos se realizaron en el conjunto de datos UK Biobank (UKB), que comprende:

• Cohorte: 44,834 rasgos de imagen cerebral, 23,987 de corazón, 28,722 de hígado y 32,155 de riñón.
• Historia: Casi 500,000 secuencias de historia médica (edades 25–89) codificadas con ICD-10.

4.1 Predicción de la Próxima Enfermedad

• Rendimiento: DiffDT superó significativamente a los modelos AR de última generación (Delphi) y a los modelos fundamentales (BrainMass, NeuroPath).
• Métricas: En un vocabulario de 1,944 códigos ICD, DiffDT logró un AUC de 0.9171 (utilizando el esqueleto Qwen3) en comparación con el 0.8931 de Delphi.
• Distancia Semántica: A diferencia de las líneas base cuyo rendimiento se degrada con el aumento de la distancia semántica entre enfermedades pasadas y futuras, DiffDT mantuvo un rendimiento robusto, particularmente para pares de enfermedades fuera de la diagonal (mediación de múltiples vías).
• Mediación Específica por Órgano: Al utilizar GDs de órganos específicos como mediadores, DiffDT logró consistentemente las puntuaciones F1 más altas (por ejemplo, 65.14% para predicciones mediadas por cerebro frente a 56.53% para NeuroPath).

4.2 Generación de Gemelos Digitales

• Datos Tabulares: Logró un RMSE y una Distancia de Wasserstein (WD) bajos en rasgos de corazón, hígado y riñón.
• Datos Topológicos: La variante SPD-VQVAE-Dual logró la mayor precisión media (98.36%) en la predicción de topología (clasificación de bordes) y el menor error de reconstrucción, superando a las líneas base estándar VQVAE y SPD-DDPM.
• Contrafactuales: En experimentos contrafactuales (reemplazando un código de enfermedad con "saludable"), los GD generados fueron significativamente más cercanos a sujetos sanos de verdad que a sujetos enfermos (FID $p=2.5\times 10^{-5}$), confirmando su significado biológico.
• Mediación Causal: DiffDT redujo el error del Efecto Promedio del Tratamiento Absoluto Medio (ATE) en más de la mitad en comparación con Delphi, respaldando su papel como un mediador biológico válido.

4.3 Eficiencia Computacional

• El LDM de Cholesky evita la complejidad $O(N^3)$ de las operaciones SPD estándar.
• La inferencia de extremo a extremo (generar un GD y predecir la próxima enfermedad) toma aproximadamente 1.2 segundos por sujeto en una sola GPU NVIDIA RTX 6000 Ada.

5. Significado y Afirmaciones

El artículo afirma que DiffDT representa un paso significativo hacia adelante en el razonamiento sobre enfermedades personalizado al:

• Cerrar la Brecha: Conectar exitosamente eventos clínicos discretos (EHR) con estados fisiológicos continuos y multiorgánicos (Gemelos Digitales).
• Mejorar la Comprensión Etiológica: Ir más allá del modelado de patrones de utilización de la atención médica para capturar la mediación biológica de la progresión de la enfermedad a través de datos derivados de sensores.
• Escalabilidad: Proporcionar un método computacionalmente eficiente para generar datos topológicos de alta dimensión (redes cerebrales) que respeten las restricciones geométricas.

Limitaciones Reconocidas por los Autores:

• Sesgo de Datos: El UK Biobank exhibe un "sesgo de voluntario saludable", requiriendo recalibración antes de su implementación en cohortes epidemiológicas diversas.
• Datos Longitudinales: La imagenología del UKB es predominantemente transversal; las trayectorias individuales de enfermedades dependen de la interpolación a nivel de población en lugar de evidencia longitudinal por sujeto.
• Alcance de los DSS: Los proxies actuales de "DSS" se limitan a capítulos codificados en ICD (Z, V–Y) y no incorporan mediciones directas sociales, económicas o ambientales.
• Ganancias Modestas: Aunque DiffDT proporciona mejoras consistentes, las ganancias del módulo de mediación son modestas en comparación con simplemente escalar el esqueleto AR (por ejemplo, pasar de GPT2 a Qwen3.5), aunque el efecto de mediación sigue siendo complementario.

Los autores concluyen que, aunque DiffDT avanza el campo al integrar el modelado generativo con gemelos digitales para el razonamiento sobre enfermedades, un "gemelo digital genuino de determinantes sociales" sigue siendo un objetivo futuro que requiere la integración de datos multimodales de alta resolución.