Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health

Resumen Técnico: Más allá del AHI: Un marco guiado por el descubrimiento causal para la recuperación del sueño en la salud conectada

Planteamiento del problema
La evaluación clínica del sueño actual depende en gran medida del Índice de Apnea-Hipopnea (AHI) y otros índices de resumen derivados de la polisomnografía (PSG). Si bien estas métricas son útiles para diagnosticar trastornos del sueño específicos, a menudo no logran capturar la carga fisiológica integrada que subyace a la recuperación funcional. En consecuencia, existe una desconexión persistente entre la fisiología del sueño objetiva y los resultados reportados por el paciente (PRO), tales como la somnolencia diurna, la fatiga y la percepción de la calidad del sueño. Además, los enfoques de aprendizaje automático existentes para el análisis de la PSG suelen funcionar como "cajas negras" optimizadas para la asociación predictiva en lugar de la interpretabilidad mecanística, lo que limita su utilidad en la confianza clínica y la traslación a las tecnologías de salud conectada. El desafío radica en traducir las señales biológicas multimodales y continuas en métricas de recuperación clínicamente interpretables que reflejen una fisiología multidominio en lugar de conteos de eventos aislados.

Metodología
Los autores proponen un marco guiado por el descubrimiento causal para derivar un Índice de Recuperación del Sueño (SRS) jerárquico a partir de datos de PSG multimodales. El marco opera a través de un flujo de trabajo estructurado de cinco pasos aplicado a dos cohortes de población independientes: MESA ($n=1,540$) y MrOS ($n=825$).

1. Construcción de características y selección de resultados: El estudio utiliza un amplio conjunto de características fisiológicas que abarcan cinco dominios: carga respiratoria, carga hipóxica, fragmentación del sueño, arquitectura del sueño y regulación autonómica. Estas se vinculan con PRO relacionados con la recuperación (p. ej., Escala de Somnolencia de Epworth, fatiga, percepción de la calidad del sueño).
2. Estimación del grafo causal: Utilizando el algoritmo lineal NOTEARS, los autores estiman un Grafo Acíclico Dirigido (DAG) disperso para identificar los candidatos a impulsores fisiológicos para cada PRO. Para garantizar la robustez, emplean una selección de estabilidad por bootstrap (500 remuestreos), reteniendo solo las aristas con una frecuencia de selección $\ge 0.6$.
3. Tamizaje de candidatos en dos etapas: Para abordar las limitaciones de los datos observacionales y asegurar la plausibilidad fisiológica, se aplica un riguroso proceso de tamizaje:
   • Etapa 1 (Basada en la fisiología): Se filtran las aristas inconsistentes con los mecanismos del sueño establecidos (p. ej., eliminando variables demográficas como edad o raza que actúan como confusores estructurales).
   • Etapa 2 (Auditoría asistida por LLM bajo restricciones): Los candidatos restantes se someten a un protocolo de clasificación estructurado utilizando un Modelo de Lenguaje Grande (LLM) restringido. Las características se clasifican como impulsores mecanísticos plausibles, confusores estructurales o variables de fuga con solapamiento de constructos (p. ej., medidas subjetivas correlacionadas por construcción con el objetivo). Solo las características clasificadas como impulsores plausibles por ambas capas avanzan.
4. Agregación de consenso: Los mecanismos se retienen solo si aparecen en al menos dos resultados de recuperación diferentes, reduciendo el ruido específico de cada resultado.
5. Síntesis del índice jerárquico: Las características retenidas se agrupan en los cinco dominios fisiológicos. Los puntajes de dominio se calculan como sumas ponderadas de características normalizadas, donde los pesos son proporcionales a la magnitud y estabilidad de la arista. El SRS final es una agregación jerárquica de estos puntajes de dominio, estandarizada dentro de cada cohorte.

Contribuciones clave

• Modelado multidominio interpretable: El artículo introduce un SRS jerárquico que va más allá de los índices respiratorios únicos (como el AHI) al vincular explícitamente la PSG multimodal con los resultados de recuperación reportados por el paciente a través de un marco transparente y estructurado por dominios.
• Identificación de mecanismos guiada por el descubrimiento causal: Los autores aplican el descubrimiento causal basado en DAG, refinado por restricciones fisiológicas y auditoría asistida por LLM restringido, para extraer dominios de recuperación recurrentes y fisiológicamente interpretables.
• Evidencia de cohortes cruzadas para la salud conectada: El marco demuestra una convergencia consistente en cinco dominios fisiológicos a través de dos cohortas distintas, mostrando una mayor alineación con la recuperación percibida que el AHI. Esto apoya la traslación del modelado de la recuperación a sistemas de detección distribuidos y portátiles (p. ej., ECG portátil, oximetría) que capturan subconjuntos de estos dominios.

Resultos

• Convergencia mecanística: A través de MESA y MrOS, el marco identificó consistentemente cinco dominios fisiológicos asociados con la recuperación deteriorada: carga respiratoria, carga hipóxica, fragmentación del sueño, arquitectura del sueño (incluyendo la dinámica del EEG) y regulación autonómica.
• Destilación de características: En MESA, el proceso destiló 53 características iniciales hasta llegar a 32 mecanismos de consenso. En MrOS, 174 características se redujeron a 28. Las covariables estructurales (edad, sexo, raza) y las variables con solapamiento de constructos fueron excluidas con éxito.
• Asociación con los resultados: El SRS demostró asociaciones estadísticamente significativas con cuatro de los cinco resultados de recuperación, mientras que el AHI alcanzó significancia para solo uno.
  • En MESA, el SRS mostró correlaciones significativas con la Escala de Somnolencia de Epworth ($\rho = 0.098$) y la somnolencia diurna ($\rho = 0.074$), mientras que el AHI no fue significativo para ambas.
  • En MrOS, el SRS se correlacionó significativamente con la percepción de la calidad del sueño ($\rho = 0.107$) y la dificultad para mantenerse dormido ($\rho = 0.111$), mientras que el AHI no fue significativo.
• Ganancia de rendimiento: El SRS mostró hasta un alineamiento 2.5 veces más fuerte con los resultados de la recuperación percibida en comparación con el AHI en casos específicos (p. ej., la percepción de la calidad del sueño en MrOS).

Significancia y afirmaciones
El artículo afirma que el sueño reparador se caracteriza mejor como un constructo fisiológico multidominio en lugar de un índice respiratorio único. El marco propuesto no busca reemplazar las métricas específicas de la enfermedad como el AHI, sino complementar la labor mediante la captura de la base fisiológica más amplia de la recuperación. Al vincular explícitamente la fisiología del sueño multimodal con los resultados centrados en el paciente a través de un marco interpretable, consciente de los sesgos y estructurado por dominios, este trabajo proporciona una base práctica para el modelado de la recuperación tanto en estudios de sueño clínicos como en los emergentes entornos de salud inteligente/conectada. Los autores enfatizan que el SRS permite la descomposición de los impulsores de la recuperación (p. ej., distinguir la carga hipóxica de la disfunción autonómica), permitiendo intervenciones dirigidas que las evaluaciones tradicionales basadas en el AHI no pueden soportar.

Nota sobre las limitaciones: Los autores reconocen modestamente que el análisis es transversal y no establece una causalidad temporal. Señalan que la formulación lineal de NOTEARS puede omitir interacciones no lineales y que la auditoría asistida por LLM, aunque consistente, depende de prompts restringidos en lugar de una revisión directa por expertos en el dominio. Las correlaciones con los resultados subjetivos fueron moderadas, lo que refleja la naturaleza multifactorial de la recuperación percibida.