Structured Visual Evidence Decomposition for Evidence-Grounded Multimodal Screening of Obstructive Sleep Apnea-Hypopnea Syndrome

Resumen Técnico: Descomposición Estructurada de Evidencia Visual para el Tamizaje Multimodal con Base en Evidencia de los SAHOS

Planteamiento del Problema
El Síndrome de Apnea-Hipopnea Obstructiva del Sueño (SAHOS) es un trastorno del sueño prevalente con consecuencias cardiovasculares y neurocognitivas significativas. Aunque la polisomnografía (PSG) nocturna sigue siendo el estándar de referencia para el diagnóstico, es un proceso que requiere muchos recursos y es difícil de escalar para la evaluación preliminar del riesgo. Un tamizaje pre-PSG eficaz requiere la integración de factores de riesgo clínicos estructurados (p. ej., IMC, circunferencia del cuello, comorbilidades) con señales morfológicas visibles de la región craneofacial y el cuello. Sin embargo, el uso de prompts directos a modelos fundacionales multimodales de propósito general (Modelos de Lenguaje-Visión, VLM) para emitir decisiones médicas binarias suele generar salidas inestables y mal calibradas, como predicciones negativas degeneradas o llamadas positivas excesivas. Los sistemas existentes suelen tratar la fusión multimodal como un problema de clasificación de "caja negra", careciendo de la interpretabilidad necesaria para la supervisión clínica. El desafío consiste en organizar los modelos fundacionales en un flujo de trabajo que adquiera, estructure y adjudique la evidencia de una manera clínicamente controlada para priorizar la reducción de casos perdidos sin realizar un diagnóstico autónomo.

Metodología: El Marco EviOSAHS
Los autores proponen EviOSAHS, un marco de razonamiento multimodal basado en evidencia que desacopla la adquisición de evidencia anatómica basada solo en imágenes de la adjudicación clínica final. El flujo de trabajo se estructura en tres etapas distintas:

1. Reconstrucción de Resumen Clínico Estructurado:
   Las variables clínicas estructuradas (edad, sexo, IMC, circunferencia del cuello, relación cintura-cadera y comorbilidades) se convierten en un resumen clínico limpio y estandarizado. Crucialmente, este resumen se retiene durante la fase de análisis visual para evitar que los sesgos clínicos contaminen las observaciones derivadas de la imagen. No se incluyen valores de AHI ni etiquetas de severidad para evitar la fuga de datos.

2. Adquisición de Evidencia Visual Específica de la Anatomía:
   En lugar de pedir al VLM que diagnostique el SAHOS directamente, la imagen facial frontal se descompone en siete consultas anatómicas fijas dirigidas a regiones específicas: cuello, mentón, boca, grasa facial/cuello, mandíbula inferior, zona media facial y nariz.

   • El VLM actúa estrictamente como un observador anatómico específico, limitado a informar observaciones visuales y niveles de visibilidad (alta/media/incierta) para cada consulta.
   • Se prohíbe explícitamente el diagnóstico directo, las recomendaciones de tratamiento o la estimación de la severidad en el prompt.

3. Construcción de Tarjetas de Evidencia:
   Cada observación visual se analiza y se convierte en una tarjeta de evidencia estructurada. Estas tarjetas contienen:

   • Objetivo anatómico y observación visual.
   • Evaluación de visibilidad.
   • Dirección del riesgo (a favor/en contra/incierto).
   • Fuerza de la evidencia (débil/moderada/fuerte).
   • Confianza reportada por el modelo (baja/media/alta).
   • Un resumen conciso de la evidencia.
     Este paso transforma las descripciones visuales de texto libre en datos estructurados y auditables.

4. Adjudicación Clínica Únicamente Final:
   En la etapa final, las siete tarjetas de evidencia estructuradas se integran con el resumen clínico limpio. Un Modelo de Lenguaje Grande (LLM) realiza una adjudicación de tamizaje binario equilibrada. El modelo tiene instrucciones de comparar explícitamente la evidencia de apoyo, la evidencia opuesta y la evidencia incierta antes de emitir una etiqueta final de tamizaje positivo o tamizaje negativo. Esto asegura que la decisión se base en un rastro de evidencia agregado y revisable en lugar de una generación sin restricciones.

Contribuciones Clave

1. Formulación de la Tarea: El estudio redefine la evaluación del SAHOS como una tarea de tamizaje binario de alta sensibilidad para pre-PSG, separando explícitamente la identificación de tamizaje del diagnóstico autónomo y la gradación de la severidad.
2. Marco Basado en Evidencia: EviOSAHS introduce un flujo de trabajo por etapas donde los VLM están restringidos a la observación anatómica basada únicamente en la imagen, convirtiendo las respuestas en tarjetas de evidencia estructuradas y auditables.
3. Estrategia de Separación Temporal: El marco retrasa la introducción de la información clínica estructurada hasta la etapa de decisión final, reduciendo el riesgo de que los sesgos clínicos sobrescriban las observaciones basadas en la imagen.
4. Evaluación Unificada: El método se evalúa en una cohorte de 642 sujetos frente a prompting clínico único, prompting multimodal directo, pipelines de dos etapas ingenuos y varias variantes de ablación, respaldado por pruebas estadísticas pareadas y auditorías de salida visual.

Resultados Experimentales
El marco fue evaluado en una cohorte retrospectiva de 642 sujetos (584 positivos para tamizaje, 58 negativos para tamizaje).

• Desempeño: EviOSAHS logró un 88.47% de precisión, 94.86% de sensibilidad, 93.74% de F1-score y una tasa de falsos negativos (FNR) del 5.14%.
• Ventaja Comparativa: Superó significativamente al prompting basado solo en clínica, al prompting multimodal directo (que a menudo colapsaba en salidas degeneradas) y a los pipelines de dos etapas ingenuos. Las pruebas de McNemar pareadas confirmaron ventajas a nivel de muestra sobre todos los comparadores.
• Estudios de Ablación: Eliminar la descomposición visual de siete preguntas redujo la sensibilidad en 22.95 puntos porcentuales, y eliminar la adjudicación final equilibrada redujo la sensibilidad en 19.18 puntos porcentuales, confirmando que la descomposición estructurada y la cuenta de evidencia equilibrada son críticas para el punto operativo de alta sensibilidad.
• Auditabilidad: Una auditoría de nivel de pregunta de 4,494 salidas visuales mostró una tasa de parseo estructurado del 100% y una tasa de alta visibilidad del 93.88%, lo que respalda la confiabilidad de la etapa de adquisición de evidencia basada solo en la imagen.

Significancia y Reivindicaciones
El artículo sostiene que la descomposición estructurada de la evidencia visual puede organizar los modelos fundacionales multimodales de propósito general en un flujo de trabajo de alta sensibilidad y auditable para el tamizaje binario de pre-PSG de SAHOS. Al convertir las descripciones visuales en tarjetas de evidencia estructuradas y requerir una adjudicación equilibrada, el marco permite un análisis de errores dirigido y una interpretación orientada al clínico.

Los autores declaran explícitamente que EviOSAHS debe interpretarse como un asistente de triaje pre-polisomnografía en lugar de un sistema de diagnóstico definitivo. El marco prioriza la reducción de casos perdidos pero reconoce que se requiere calibración cuando se acumulan múltiples señales de riesgo débiles para evitar derivaciones innecesarias. El estudio concluye que la validación prospectiva, las pruebas externas y el control del punto operativo calibrado son necesarios antes del despliegue clínico. El trabajo no pretende reemplazar la PSG ni proporcionar un diagnóstico autónomo, sino proporcionar evidencia revisable para apoyar la supervisión clínica en escenarios de triaje de alto riesgo.