Cohort-Anchored Foundation Models for Electronic Health Records: From Risk Scores to Auditable Peer Cohorts

Resumen Técnico: Modelos de Fundación Anclados en Cohortes para Registros de Salud Electrónicos

Declaración del Problema
A pesar del surgimiento de modelos de fundación de miles de millones de parámetros para Registros de Salud Electrónicos (EHR, por sus siglas en inglés) que demuestran capacidades impresionantes de cero y pocos disparos (zero- and few-shot), persiste una brecha estructural entre la precisión en pruebas de referencia (benchmarks) y un despliegue clínico confiable. Los modelos actuales suelen producir un puntaje de riesgo escalar o una representación latente, tratando la comparación de pacientes como un efecto secundario emergente en lugar de la unidad primaria de evidencia. Esto crea tres modos de falla críticos:

1. Opacidad y Alucinación: Los modelos suelen producir contenido médico fluido pero sustantivamente incorrecto, y las explicaciones estándar (por ejemplo, los pesos de atención) no logran abordar el proceso de razonamiento real del clínico, el cual se basa en comparar a un paciente con una cohorte de pares similares con resultados documentados.
2. Fragilidad ante el Cambio de Distribución: El rendimiento predictivo se degrada significativamente cuando los modelos se aplican a nuevas instituciones, demografías o protocolos, ya que la representación subyacente no está anclada a estructuras poblacionales clínicamente significativas.
3. Falta de Evidencia Auditable: Los clínicos razonan a través de cohortes (grupos de pacientes similares), pero los sistemas actuales no devuelven una "cohorte con resultado" como el objeto de salida de la inferencia, lo que dificulta la auditoría o verificación del proceso de decisión frente a la infraestructura clínica establecida.

Metodología: El Marco CAFM
El artículo propone cafm (Cohort-Anchored Foundation Model o Modelo de Fundación Anclado en Cohortes), un marco diseñado para elevar la cohorte de pacientes a un "objeto de primera clase" en el flujo de trabajo de aprendizaje automático. En lugar de reconstruir los backbones existentes, cafm actúa como un retroajuste composicional que integra capacidades conscientes de la cohorte en los modelos de fundación de EHR existentes a través de cuatro etapas interconectadas:

1. Construcción de Cohortes Consciente de la Desviación (Etapa 1):
   Antes del preentrenamiento, el corpus se somete a una curación para detectar y manejar dos problemas distintos: desviaciones (registros estadísticamente anómalos debido a errores técnicos o deriva de documentación) y sesgo (inconsistencias sistemáticas derivadas de flujos de trabajo clínicos, como la ausencia informativa). Esta etapa produce un conjunto de datos curado donde las cohortes se ensamblan utilizando fenotipos basados en reglas, métodos de anclaje y aprendizaje (anchor-and-learn), o prototipos aprendidos, asegurando que los datos de entrenamiento reflejen poblaciones clínicamente válidas.

2. Preentrenamiento Condicionado por Cohorte (Etapa 2):
   El marco introduce un objetivo contrastivo compuesto al objetivo estándar de preentrenamiento de enmascaramiento o autorregresión.

   • Atracción: Une las representaciones de pacientes con distribuciones de cohorte suaves similares.
   • Repulsión (Negativos de "Casi Acierto"): Separa a pacientes que son fenotípicamente similares pero tienen resultados divergentes. El muestreo de estos "casi aciertos" (near-miss negatives) es crítico para agudizar los límites de la cohorte.
   • Regularización: Incluye la regularización de entropía para evitar que el modelo colapse todos los pacientes en una sola cohorte.
   • Aprendizaje por Currículo: El marco emplea una estrategia de arranque en caliente (warm-start) y un currículo que aumenta gradualmente el peso de las pérdidas contrastivas para estabilizar el entrenamiento conjunto entre el codificador del backbone y el módulo de la cohorte.

3. Alineación Multimodal de Cohortes (Etapa 3):
   Para abordar la "contaminación de modalidad" (donde una modalidad, como las notas de texto libre, domina la representación conjunta), el marco impone la similitud intra-cohorte dentro de cada modalidad (texto, códigos estructurados, imágenes, señales fisiológicas) por separado. Esto asegura que las modalidades más débiles retengan su capacidad discriminativa y no colapsen sobre la modalidad dominante, preservando la integridad de la estructura de la cohorte a través de los tipos de datos.

4. Refinamiento con el Clínico en el Bucle (Etapa 4):
   En la inferencia, el modelo no devuelve un puntaje escalar, sino que recupera una cohorte de pares y su distribución de resultados asociada. Este resultado sirve como la explicación, la unidad de auditoría y la señal de deriva. El marco soporta:

   • Evidencia Auditable: Los clínicos pueden inspeccionar las estadísticas de la cohorte recuperada y las tasas de resultados.
   • Descomposición de Tareas: Los clínicos pueden modificar las definiciones de la cohorte (por ejemplo, añadiendo restricciones) en tiempo real, lo que activa una recomputación de la distribución de resultados sin tener que ejecutar nuevamente todo el backbone.
   • Monitoreo del Ciclo de Vida: El sistema monitorea las derivaciones de distribución rastreando los cambios en las distribuciones de las cohortes recuperadas, ofreciendo una señal de deriva más sensible que las métricas de rendimiento agregado.

Contribuciones Clave

• Reencuadre Estructural: El artículo argumenta que el anclaje de cohortes es un prerrequisito estructural para los modelos de fundación de EHR, distinto del aprendizaje en contexto (in-context learning), la generación aumentada por recuperación (RAG) o los métodos de explicación post-hoc. Postula que la cohorte, y no la embedding individual, debe ser la unidad de evidencia clínica.
• El Marco CAFM: Una metodología concreta de cuatro etapas que puede retroajustarse a los backbones existentes (por ejemplo, BEHRT, Med-BERT) sin requerir un rediseño arquitectónico completo.
• Formulación Matemática: Los autores proporcionan formulaciones matemáticas explícitas para los objetivos contrastivos, incluyendo la definición de negativos de "casi acierto" y la función de pérdida compuesta (Eq. 6 y Eq. 9).
• Hipótesis Empíricas: El artículo describe cinco hipótesis falsables (H1–H5) que el marco predice, cubriendo la cobertura de la cohorte frente a la calibración, la eficacia de los negativos de "casi acierto", la detección temprana de deriva, la mitigación del colapso de modalidad y la preferencia del clínico por la evidencia de cohorte en escenarios de alta incertidumbre.
• Casos de Estudio: El marco se ilustra mediante cuatro casos de estudio operativos: predicción de Lesión Renal Aguda (AKI), estratificación de riesgo cardiovascular a partir de ECG, triaje de neuropatía óptica mediante imágenes orbitales y generación de informes fundamentados en ERG.

Resultados e Ilustraciones
El artículo no presenta un único banco de pruebas unificado con nuevos puntajes de estado del arte. En su lugar, ilustra el potencial del marco a través de cuatro casos de estudio extraídos de entornos operativos:

• Predicción de AKI: Demuestra cómo el anclaje de la cohorte transforma un riesgo escalar en un objeto de evidencia estructurado, permitiendo a los clínicos consultar factores específicos (por ejemplo, exposición a medicamentos nefrotóxicos) dentro de la cohorte recuperada.
• Riesgo Cardiovascular (ECG): Muestra cómo la alineación multimodal evita que la señal de ECG abrume los datos estructurados de EHR, fundamentando las estimaciones de riesgo en trayectorias históricas específicas de la institución.
• Triaje de Neuropatía Óptica: Destaca cómo la recuperación de cohortes apoya las decisiones de triaje al proporcionar un conjunto curado de casos de referencia previos, abordando la brecha de confianza en entornos de atención primaria.
• Generación de Informes ERG: Propone un enfoque generativo donde los informes están fundamentados en cohortes de pacientes recuperadas en lugar de solo fragmentos de texto, reduciendo la alucinación al restringir la generación a poblaciones clínicamente comparables.

Significancia y Reivindicaciones
El artículo se posiciona como una perspectiva respaldada por un marco concreto, con el objetivo de cerrar la brecha entre los impresionantes benchmarks y el uso confiable a pie de cama. Sus principales reivindicaciones son:

1. Necesidad Metodológica: El anclaje de cohortes es la ruta más directa para hacer que los modelos de fundación sean interpretables, robustos a los cambios de distribución y auditables. Cambia el paradigma de la "calidad de la representación" a la "evidencia fundamentada en la población".
2. Viabilidad Práctica: El marco está diseñado como un retroajuste, que requiere esfuerzo de ingeniería para integrar módulos de cohorte e índices de recuperación en lugar del desarrollo de arquitecturas de backbone completamente nuevas.
3. Testeabilidad: El marco se define por hipótesis empíricas específicas y falsables. Los autores argumentan que la validez del anclaje de cohortes debe juzgarse no por su atractivo retórico, sino por si estas hipótesis se sostienen bajo una evaluación prospectiva.
4. Realidad Operativa: El artículo reconoce que las barreras para la adopción no son conceptuales sino organizativas. Realizar esta visión requiere un esfuerzo sostenido en la curación de datos, gobernanza y el mantenimiento de las definiciones de las cohortes a medida que las prácticas clínicas evolucionan.

Los autores concluyen que, si bien los componentes de modelado necesarios existen, la siguiente fase de progreso en la IA clínica depende de equipar a los modelos existentes con el sustrato basado en la población en el que el razonamiento clínico se ha apoyado tradicionalmente.