Learning to model pediatric asthma exacerbation from multiple risk factors: a case study in coastal Virginia

Resumen Técnico: Modelado de la Exacerbación del Asma Pediátrica mediante Aprendizaje de Métodos Múltiples

Planteamiento del Problema
La exacerbación del asma infantil (AE, por sus siglas en inglés) es un problema de salud pública complejo impulsado por una confluencia de contaminación del aire ambiente, condiciones meteorológicas y factores socioeconómicos a nivel de vecindario. Si bien los factores de riesgo individuales están bien documentados, evaluar sus impactos colectivos requiere desentrañar la temporalidad, la localización y las posibles interacciones no lineales entre múltiples contribuyentes. Los modelos estadísticos estándar a menudo no logran capturar interacciones complejas, mientras que los modelos de aprendizaje profundo, aunque altamente predictivos, funcionan como "cajas negras" carentes de interpretabilidad. Este estudio aborda la compensación entre el poder predictivo y la explicabilidad mediante el modelado de las visitas diarias por AE aguda en la región de Hampton Roads, en la costa de Virginia (7 ciudades, >1.5 millones de personas) de 2018 a 2023.

Metodología
El estudio utilizó un conjunto de datos desidentificados de 13,750 visitas específicas de asma (ICD10 J45), agregadas por Área de Tabulación de Código Postal (ZCTA). Las características de entrada incluyeron:

• Datos Ambientales: Mediciones interpoladas de NO2, SO2, CO, PM2.5 y PM10 de monitores de la EPA; datos meteorológicos (temperatura, humedad, precipitación) de la NOAA; y densidad de humo atmosférico de la NOAA HMS.
• Datos Socioeconómicos: Índices de Oportunidad Infantil (COI) y de Vulnerabilidad Social (SVI).
• Controles: Conteos diarios de pruebas de COVID-19 y desfases de población (population offsets).

Los autores compararon tres marcos de modelado distintos para predecir los recuentos diarios de visitas por AE, evaluando el desempeño mediante 5 ensayos de validación cruzada de 3 pliegues (agrupados por ZCTA para evitar la fuga de datos geográficos):

1. Modelos Lineales Generalizados (GLM): Una regresión quasi-Poisson con una función de enlace logarítmico sirvió como línea base interpretable. Incluyó coeficientes lineales para todas las variables continuas, indicadores de día de la semana/mes del año y un desfase de población logarítmico.
2. Redes Neuronales (NN): Un modelo predictivo "máximo" que consiste en dos capas ocultas (256 neuronas cada una, activación de tangente hiperbólica) y una capa de salida lineal. Este modelo fue entrenado para minimizar una log-verosimilitud de distribución Poisson. El riesgo relativo se aproximó mediante la saliencia promedio (sensibilidad basada en gradientes) a través del conjunto de datos de prueba.
3. Regresión de Diccionario Disperso (Sparse Dictionary Regression): Un marco intermedio que acopla la regresión de Poisson con la optimización de Mínimos Cuadrados Umbralizados Secuencialmente (STLSQ). Este método seleccionó un subconjunto parsimonioso de términos de una biblioteca de funciones que contenía términos lineales, términos cuadráticos y términos de interacción (hasta polinomios de segundo orden). Un parámetro de umbral ($\tau$) controló la complejidad del modelo, permitiendo la selección de ecuaciones de interacción no lineal que cierran la brecha entre el GLM y la NN.

El análisis incorporó desfases temporales (lags) de 0, 1, 3, 5 y 7 días. Se seleccionó el desfase de 7 días para el modelado final basándose en las métricas de rendimiento de la Red Neuronal (mayor $R^2$, menor MAE).

Resultos Clave

• Desempeño Predictivo: La Red Neurial logró la mayor precisión ($R^2 = 0.645$, MAE = 2.04). Los modelos dispersos (Sparse) superaron significativamente al GLM de referencia ($R^2 = 0.270$), alcanzando un $R^2$ de 0.399 y un MAE de 2.636, aunque no igualaron el desempeño de la NN. El modelo disperso óptimo utilizó 45 parámetros (seleccionados de una biblioteca de 83) con un umbral $\tau = 8.5$.
• Consenso de Riesgo Relativo: A pesar de las diferencias arquitectónicas, los tres marcos identificaron asociaciones direccionales consistentes para la mayoría de las variables.
  • El NO2 mostró la asociación positiva más fuerte con la AE (RR $\approx$ 1.27–1.49).
  • El Índice de Oportunidad Infantil (COI) mostró el efecto protector más fuerte (RR $\approx$ 0.70–0.77), lo que indica un menor riesgo en áreas con mayor oportunidad.
  • Factores como el CO, PM2.5, PM10, la humedad y la precipitación mostraron efectos más débiles pero consistentes en todos los modelos.
• Discrepancias e Interacciones:
  • SO2 y Temperatura: El GLM y la NN sugirieron un efecto protector para el SO2 y un efecto positivo para la temperatura. Sin embargo, los modelos dispersos eliminaron el efecto protector del SO2 y redujeron el efecto de la temperatura. Los autores atribuyen esto a que los modelos dispersos atribuyeron estos efectos a interacciones de orden superior en lugar de efectos principales.
  • Análisis de Interacción: El marco disperso identificó con éxito el Riesgo Excesivo Relativo debido a la Interacción (RERI) específico. Las interacciones notables incluyeron sinergias positivas entre SO2 y NO2, SO2 y Temperatura, y SO2 y COI. Se encontró una fuerte interacción negativa entre NO2 y COI.
  • Hipótesis del Mecanismo: Los autores hipotetizan que la interacción NO2-Temperatura puede estar vinculada a la química del ozono (O3), que fue omitida debido a mediciones inconsistentes en invierno. Las interacciones entre el COI y los contaminantes probablemente reflejan la correlación espacial entre los vecindarios de baja oportunidad y la proximidad al tráfico (NO2) frente a las fuentes industriales costeras (SO2).

Significancia y Reivindicaciones
El artículo afirma demostrar una vía viable para cerrar la brecha entre los modelos estadísticos y el aprendizaje profundo. Al introducir un marco de aprendizaje de diccionario disperso, los autores demuestran que es posible identificar ecuaciones de interacción no lineal parsimoniosas que ofrecen mayor interpretabilidad que las redes neuronales, manteniendo al mismo tiempo más poder predictivo que los modelos lineales estándar.

El estudio destaca que:

1. Las Interacciones Sinérgicas Importan: Los modelos aditivos simples pueden pasar por alto interacciones sinérgicas críticas (por ejemplo, entre contaminantes y el estatus socioeconómico) que impulsan las exacerbaciones del asma.
2. Interpretabilidad mediante la Dispersión: Los modelos dispersos pueden revelar términos de interacción específicos (como NO2-Temperatura) que explican las discrepancias en la estimación del riesgo encontradas en los modelos lineales, "abriendo efectivamente la caja negra" de los complejos impulsores ambientales.
3. Utilidad para la Salud Pública: El consenso entre los marcos respecto a los impulsores clave (NO2 y la oportunidad socioeconómica) proporciona evidencia robusta para posibles intervenciones de salud pública en la costa de Virginia.

Los autores mantienen la modestia respecto a sus afirmaciones, señalando que sus modelos dispersos no replicaron totalmente el desempeño de la NN, lo que sugiere que la biblioteca de funciones actual (hasta polinomios de segundo orden) puede ser insuficiente para capturar toda la complejidad de los procesos biofísicos subyacentes. Proponen que el trabajo futuro podría expandir la biblioteca de funciones o integrar el aprendizaje disperso directamente en el entrenamiento de las redes neuronales para cerrar aún más esta brecha.