Resumen Técnico: CAP – Hacia el Aprendizaje de Representación Universal de PPG con Supervisión a Nivel de Paciente

1. Planteamiento del Problema

La fotopletismografía (PPG) es una piedra angular de la monitorización de la salud en dispositivos vestibles (wearables) y del soporte de decisiones clínicas, permitiendo aplicaciones como la monitorización de la frecuencia cardíaca, la estimación de la presión arterial y el cribado de arritmias. Sin embargo, los enfoques actuales para el Aprendizaje de Representación Universal de PPG enfrentan tres limitaciones críticas que dificultan su generalización a tareas clínicas complejas y cohortes heterogéneas:

1. Escasez Semántica y Sesgo: Los paradigmas actuales de aprendizaje autosupervisado (SSL) dependen en gran medida de objetivos a nivel de señal, como la similitud geométrica de la onda. Esto ignora el hecho de que morfologías de PPG similares no implican necesariamente estados fisiológicos o patológicos idénticos, lo que conduce a un desajuste entre las representaciones aprendidas y la realidad clínica.
2. Corrupción Semántica Inducida por la Aumentación: Las técnicas comunes de aumentación de datos (por ejemplo, enmascaramiento, perturbaciones temporales) utilizadas en SSL pueden distorsionar inadvertidamente estructuras finas que portan información clínicamente relevante, limitando así su transferibilidad a tareas de estimación sensibles.
3. Conciencia Limitada de la Escala Temporal: La mayoría de los métodos de preentrenamiento utilizan segmentos de señal cortos (por ejemplo, 5–30 segundos), fallando al capturar la dinámica fisiológica a largo plazo y las condiciones crónicas que están estrechamente vinculadas al contexto clínico más amplio de un paciente.

Los autores argumentan que el aprendizaje de representaciones de PPG debe cambiar de una visión centrada en la señal a un enfoque centrado en el paciente, incorporando información de trasfondo del paciente de largo alcance para anclar las representaciones fisiológicas en la semántica clínica.

2. Metodología

2.1 Construcción de Datos: Conjunto de Datos Emparejado PPG-EHR

Para apoyar el aprendizaje centrado en el paciente, los autores construyeron un conjunto de datos multimodal a gran escala que involucra a 2,279 pacientes. El conjunto de datos empareja señales de PPG de largo plazo con Registros de Salud Electrónicos (EHR) destilados de historias médicas fragmentadas.

• Causalidad Temporal: Se impone una alineación temporal estricta; para un segmento de PPG que termina en el tiempo $T_{current}$, el texto asociado incluye solo la información disponible hasta $T_{current}$ (excluyendo diagnósticos de alta o resultados futuros) para evitar el sesgo de anticipación (look-ahead bias).
• Alineación Jerárquica: El texto clínico se organiza en contexto estático (demografía), contexto acumulativo (historial pasado) y contexto concurrente (observaciones próximas).
• Destilación: Un Modelo de Lenguaje Preentrenado (PLM) destila notas clínicas brutas y códigos de diagnóstico en documentos de EHR estructurados ($e_k$) emparejados con ventanas de PPG de 5 minutos ($x_k$).
• Control de Calidad: Se computan Índices de Calidad de la Señal (SQI) para filtrar segmentos ruidosos, asegurando el entrenamiento sobre datos fisiológicos fiables.

2.2 El Marco de Trabajo CAP

El marco propuesto Clinical Anchored Pretraining (CAP) cierra la brecha entre las fluctuaciones fisiológicas de bajo nivel y la semántica clínica de alto nivel a través de tres componentes principales:

A. Parcheo Unificado Físico-Semántico (PSUP)

Para abordar la disparidad de granularidad entre los segmentos de preentrenamiento largos (5 minutos) y las tareas posteriores cortas (por ejemplo, 30 segundos), CAP introduce el PSUP. Este mecanismo remuestrea dinámicamente las señales brutas a una frecuencia objetivo y las divide en parches no superpuestos. Esto asegura que la granularidad de la representación aprendida sea físicamente consistente y esté alineada temporalmente con las ventanas diagnósticas en diferentes tareas.

B. Preentrenamiento Multiobjetivo

CAP optimiza tres objetivos cooperativos durante la etapa de preentrenamiento:

1. Pérdida de Reconstrucción Morfológica ($L_{morph}$): Utiliza el Modelado de Señal Enmascarada (MSM) para recuperar detalles de la onda enmascarada, forzando al codificador a aprender la "gramática" fundamental de la PPG (por ejemplo, picos sistólicos, muescas dicróticas).
2. Pérdida de Estabilidad Fisiológica ($L_{inv}$): Un objetivo de contraste autosupervisado que impone consistencia de características en el espacio latente bajo perturbaciones estocásticas (por ejemplo, dropout), asegurando la robustez contra el ruido del sensor y la deriva de la línea base.
3. Pérdida de Anclaje Clínico ($L_{clin}$): Una pérdida de contraste cross-modal que alinea la representación global agregada de la PPG con la incrustación estructural del EHR derivada del PLM. Esto ancla las fluctuaciones fisiológicas a la semántica clínica a nivel de paciente, mitigando la deriva de la representación.

C. Adaptación para Tareas Posteriores (Finetuning)

En la etapa de ajuste fino, CAP emplea una arquitectura de doble vía:

• Codificador de Morfología Local: Procesa la señal de PPG bruta junto con sus derivadas temporales de primer y segundo orden para capturar claves de pendiente y curvatura local.
• Codificador de Semántica Clínica: Reutiliza el codificador de PPG preentrenado para extraer representaciones clínicas de contexto largo.
• Fusión con Compuerta (Gated Fusion): Un mecanismo de compuerta equilibra adaptativamente la contribución de las características morfológicas locales y la semántica clínica global basándose en la entrada, permitiendo al modelo priorizar detalles finos para señales de alta calidad o confiar en la semántica de contexto largo robusta cuando las características locales son ruidosas.

3. Contribuciones Clave

1. Diagnóstico de la SSL de PPG Actual: El artículo proporciona un análisis sistemático de por qué los paradigmas de SSL basados solo en señales fallan al lograr una transferencia universal, destacando la falta de contexto a nivel de paciente.
2. Conjunto de Datos PPG-EHR a Gran Escala: La curación de un conjunto de datos multimodal emparejado que inyecta información de trasfondo del paciente de largo alcance en el aprendizaje de representaciones.
3. Marco CAP: La propuesta de un marco de preentrenamiento que utiliza la semántica clínica a nivel de paciente como un ancla, combinado con el Parcheo Unificado Físico-Semántico para manejar las disparidades de duración.
4. Validación Empírica: Evaluación exhaustiva que demuestra que CAP aprende representaciones transferibles y clínicamente fundamentadas a través de cuatro tareas diversas.

4. Resultados Experimentales

Los autores evaluaron CAP en cuatro tareas heterogéneas utilizando bancos de pruebas públicos: detección de Fibrilación Auricular (AF), estimación de la Frecuencia Cardíaca (HR), estimación de la Frecuencia Respiratoria (RR) y estimación de la Presión Arterial (BP).

• Detección de AF (Dataset Stanford): CAP logró un F1-score de 0.883, superando a bases sólidas incluyendo GPT-PPG (0.841) y SiamQuality (0.770).
• Estimación de HR (Dataset WESAD): CAP logró un Error Absoluto Medio (MAE) de 3.99 (evaluación LOSO), superando al mejor baseline (GPT-PPG 1B) que obtuvo 4.98.
• Estimación de RR (Dataset BIDMC): CAP demostró una mejora masiva, logrando un MAE de 0.11 comparado con el baseline de estado del arte (GPT-PPG 1B) que obtuvo 0.93. Esto representa una mejora relativa de hasta un 87.6%.
• Estimación de BP (PulseDB): CAP logró un MAE de 8.04, superando a baselines como GPT-PPG (8.12) y SiamQuality (8.60).

Rendimiento General: CAP entregó una mejora relativa promedio del 26.7% en las cuatro tareas en comparación con los baselines más fuertes.

5. Significación y Reivindicaciones

El artículo afirma que CAP logra cambiar el paradigma del aprendizaje de representación de PPG de un simple ajuste de ondas a un modelado de los estados fisiológicos a nivel de paciente. Al anclar las representaciones de PPG a la semántica clínica derivada de los EHR, el modelo logra:

• Generalización Mejorada: La capacidad de transferir efectivamente a través de diversas tareas y cohortes donde los modelos basados solo en señales tienen dificultades.
• Robustez: Mejora del rendimiento en condiciones ruidosas, como lo evidencia la capacidad del mecanismo de compuerta para confiar en la semántica de contexto largo cuando la calidad de la señal local se degrada.
• Interpretabilidad: Las visualizaciones (mapas de atención y UMAP) confirman que el modelo presta atención a regiones de la onda clínicamente significativas y crea un espacio de representación más discriminativo para estados patológicos (por ejemplo, una separación más clara de las muestras positivas para AF).

Los autores concluyen que la incorporación del contexto del paciente a largo plazo y la semántica clínica es una dirección prometedora para desarrollar modelos fundacionales universales para señales fisiológicas, yendo más allá de las limitaciones del emparejamiento de patrones de ventana corta a nivel de señal.