Continuous-Time Bayesian Networks with Structured Shrinkage Priors for Modelling Multimorbidity Trajectories in Large-Scale Electronic Health Records

Resumen Técnico: Redes Bayesianas de Tiempo Continuo con Priores de Contracción Estructurada para el Modelado de Trayectorias de Multimorbilidad

Planteamiento del Problema
Las múltiples condiciones a largo plazo (MLTCs), o multimorbilidad, surgen a través de complejas interacciones dependientes del tiempo entre enfermedades. Los métodos estadísticos existentes suelen tener dificultades para modelar conjuntamente la progresión de las enfermedades, las redes de multimorbilidad y los factores de riesgo de alta dimensión dentro de un marco unificado. Los análisis transversales capturan la coocurrencia, pero omiten la dinámica temporal; los modelos de estados múltiples escalan deficientemente ante un gran número de condiciones que interactúan; y los enfoques basados en redes carecen a menudo de modelos probabilísticos formales para la estimación y la cuantificación de la incertidumbre. Además, la aplicación de las Redes Bayesianas de Tiempo Continuo (CTBN) a registros de salud electrónicos (EHR) de alta dimensión enfrenta dos desafíos específicos: la explosión combinatoria de parámetros derivada de las interacciones de orden superior entre enfermedades y la necesidad de una dispersión (sparsity) biológicamente interpretable con incertidumbre calibrada.

Metodología
Los autores proponen un marco de CTBN bayesiano estructurado diseñado para datos longitudinales de EHR. Los componentes metodológicos centrales son:

1. Estructura del Modelo: La progresión conjunta de $M$ condiciones inflamatorias se modela como un proceso estocástico multivariante donde cada condición evoluciona como un proceso de Markov de tiempo continuo de estados finitos. El modelo asume un estado absorbente (solo inicio, sin remisión) para las condiciones crónicas. La tasa de inicio instantánea (intensidad de transición) para una condición depende de los estados actuales de sus condiciones "padre" y de covariables exógenas mediante una parametrización log-lineal. Esto permite el modelado de efectos principales e interacciones sinérgicas de pares.
2. Formulación de la Verosimilitud: Se deriva la verosimilitud de la CTBN y se demuestra que es equivalente a un Modelo Lineal Generalizado (GLM) de Poisson con un desfase (offset) logarítmico. Esta factorización a través de las condiciones permite una estimación computacionalmente tratable incluso con un número moderado de condiciones.
3. Priores de Contracción Estructurada: Para abordar el crecimiento combinatorio de los parámetros de interacción, los autores incorporan cuatro priores de contracción dependientes del orden dentro de la verosimilitud de la CTBN. Estos priores imponen una penalización más fuerte a los términos de interacción de orden superior que a los efectos principales, adhiriéndose al principio jerárquico de que las sinergias complejas de múltiples condiciones son raras. Los cuatro priores comparados son:
   • Normal Estructurada Jerárquica (HS): Una mezcla de escalas que produce una marginal de Student-t con varianza específica por orden.
   • LASSO Bayesiano: Una marginal de doble exponencial con tasas dependientes del orden.
   • Herradura Regularizada (Regularised Horseshoe): Un prior global-local con escala global penalizada por orden.
   • Spike-and-Slab: Una mezcla de dos componentes (slab difuso frente a spike concentrado) con probabilidades de inclusión específicas por orden.
4. Selección de Variables: Para el prior spike-and-slab, se derivan analíticamente las Probabilidades de Inclusión Posterior (PIP). Para los priores de contracción continua (HS, LASSO, Horseshoe), que no producen PIPs explícitas, los autores construyen "pseudo-PIPs" basadas en el factor de contracción posterior para permitir una comparación justa del rendimiento de la selección de variables entre todos los métodos.

Contribuciones Clave
El artículo realiza cuatro contribuciones metodológicas primarias:

1. Marco Unificado: Integra cuatro priores de contracción de orden dependiente distintos en una verosimilitud de CTBN unificada, codificando explícitamente la expectativa biológica de que las vías sinérgicas complejas son dispersas.
2. Métrica de Selección Comparativa: Deriva PIPs para el spike-and-slab y pseudo-PIPs para los continuos, situando a los cuatro en un plano común para la selección de variables y la recuperación de la red.
3. Simulación Calibrada: Realiza un extenso estudio de simulación para aislar la recuperación de parámetros, la selección de variables y el comportamiento predictivo a través de múltiples escenarios de generación de datos y especificaciones de modelo (subespecificado, correctamente especificado y sobreespecificado).
4. Aplicación Empírica: Aplica el marco a registros de atención primaria de UK Biobank para modelar la progresión de diez condiciones prevalentes, recuperando redes de enfermedades dispersas e interpretables.

Resultados

• Hallazgos de la Simulación: En múltiples escenarios, el prior spike-and-slab logró la mejor recuperación de la red, precisión en la selección de variables y control de falsos descubrimientos. Alcanzó Tasas de Verdaderos Positivos (TPR) de 76–82% para efectos principales y ~72% para interacciones con Tasas de Falsos Positivos (FPR) tan bajas como ~1–4% bajo especificación correcta. En contraste, los tres priores de contracción continua (HS, LASSO, Horseshoe) fallaron en realizar una selección de variables "dura" bajo un umbral estándar de 0.5, declarando casi todos los coeficientes como activos (TPR $\approx$ FPR $\approx$ 100%) y mostrando AUCs de selección modestos (68–71%).
• Desempeño Predictivo: Los cuatro priores demostraron una precisión predictiva casi idéntica (log-verosimilitud de Poisson y puntuaciones de Brier) en todos los modelos de análisis, confirmando que el desempeño predictivo es robusto a la especificación del prior cuando el objetivo es la estimación en lugar de la recuperación de la estructura.
• Aplicación Empírica (UK Biobank): Al aplicar el modelo spike-and-slab recomendado ($P=2, \theta=1$) a 33,558 participantes, se revelaron dos módulos de enfermedad dominantes:
  • Un clúster cardiometabólico centrado en Diabetes Mellitus (DM), Enfermedades Hipertensivas (HTN) e Isquemia Cardíaca (IHD), caracterizado por dependencias bidireccionales densas (por ejemplo, DM $\to$ HTN con una razón de tasa de 2.13).
  • Un clúster inflamatorio que vincula Rinitis/Sinusitis (RS), Dermatitis/Eczema (DE) y Enfermedades Respiratorias Crónicas Inferiores (CLRD).
  • El modelo identificó antagonismo sub-multiplicativo en tríos (por ejemplo, {RS, DM} $\to$ HTN), lo que sugiere que la exposición conjunta genera un riesgo acumulado menor que la suma de las exposiciones marginales, consistente con vías biológicas superpuestas.
  • El análisis de covariables confirmó la edad como el predictor más fuerte, y marcadores inflamatorios específicos (ej. GlycA, WBC) y factores de estilo de vida (tabaquismo, IMC) mostraron asociaciones dependientes de la condición.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto de CTBN bayesiano estructurado aborda con éxito los desafíos duales de los espacios de parámetros de alta dimensión y la necesidad de una dispersión interpretable en el modelado de la multimorbilidad. Los autores sostienen que el prior spike-and-slab es la elección superior para el aprendizaje de la estructura de la red, ofreciendo el mejor equilibrio entre la recuperación de parámetros, el control de falsos descubrimientos y la calibración de la incertidumbre, mientras que los priores continuos son más adecuados para tareas de predición pura donde la recuperación de la estructura no es el objetivo principal.

La aplicación a los datos de UK Biobank demuestra la capacidad del marco para recuperar redes de dependencia de enfermedades dirigidas y clínicamente plausibles que cuantifican las cargas de progresión y las interacciones de orden superior. Los autores señalan que, si bien los hallazgos se alinean con el conocimiento clínico establecido (ej. el clúster cardiometabólico), la naturaleza dinámica y direccional del modelo proporciona nuevos conocimientos sobre el orden temporal y la magnitud de las cascadas de enfermedades que los análisis transversales no pueden capturar. El estudio concluye que extender este marco al conjunto completo de las 60 condiciones de InflAIM representa un avance sustancial en el modelado de redes de enfermedades a escala poblacional, con potenciales implicaciones traslacionales para la estratificación de riesgos y la medicina de precisión.