Contrastive Representation Learning of Longitudinal Disease Trajectories on Temporal Graphs

Imagina que estás tratando de entender la historia de la vida de una persona, pero en lugar de leer un libro, estás mirando una pila de fotografías dispersas tomadas en momentos aleatorios. Algunas fotos se toman cada día; otras, una vez al año. Unas muestran un cumpleaños feliz, otras una visita al médico, y otras son solo imágenes borrosas de un banco en un parque. En el mundo de la ciencia médica, esto es exactamente cómo se ve la "data longitudinal": una colección de mediciones tomadas de las mismas personas una y otra vez, pero a menudo en intervalos irregulares y desordenados.

El gran desafío para los científicos es agrupar a estas personas basándose en cómo sus vidas (o enfermedades) están cambiando. ¿Están dos pacientes siguiendo el mismo camino, incluso si sus chequeos ocurrieron en días diferentes? Los métodos tradicionales intentan forzar estas instantáneas desordenadas en líneas nítidas y suaves, asumiendo que la historia de cada uno sigue una curva predecible. Pero la vida real rara vez es así de fluida. A veces, las personas tienen picos repentinos de síntomas, o sus condiciones cambian de formas complejas y no lineales que no encajan en una línea simple. Aquí es donde entra en juego el campo del "aprendizaje automático" (machine learning), específicamente una rama llamada "aprendizaje de representaciones" (representation learning). Piensa en esto como enseñar a una computadora a mirar una pila desordenada de datos y descubrir la "esencia" o el "resumen" más importante de la historia de cada persona, para que pueda distinguir fácilmente a quién pertenece cada grupo. El artículo que vas a leer aborda el problema de cómo hacer esto de la mejor manera cuando los datos son una red enredada de tiempo y similitud.

---

El Problema: La Línea de Tiempo Desordenada

Imagina que eres un detective tratando de resolver un misterio agrupando sospechosos según sus hábitos diarios. Tienes una lista de notas de cada persona, pero las notas son un caos. Algunos escribieron una entrada de diario cada mañana; otros solo cuando algo emocionante sucedía. Algunas notas son sobre lo que comieron, otras sobre cómo se sentían, y otras son solo garabatos.

En medicina, los médicos recolectan este tipo de datos todo el tiempo. Realizan un seguimiento de los pacientes durante años, registrando la presión arterial, la frecuencia cardíaca y los síntomas. Pero los datos son "longitudinales" (extendidos a lo largo del tiempo) y "heterogéneos" (mezclados y diferentes para cada persona). El objetivo es encontrar "clusters" (grupos): grupos de pacientes que están recorriendo el mismo camino de la enfermedad. Si puedes encontrar estos grupos, puedes predecir quién podría empeorar y personalizar mejor los tratamientos.

El problema es que el trabajo de detective de la vieja escuela (la estadística tradicional) a menudo asume que la historia de cada uno es una línea recta y suave. Pero las enfermedades no siempre se mueven en líneas rectas. Zigzaguean, se estancan y, a veces, dan saltos. Además, los métodos estándar suelen observar a cada paciente de forma aislada, perdiendo de vista el hecho de que el Paciente A y el Paciente B podrían estar moviéndose en sincronía, aunque sean personas distintas.

La Solución: RankWalk y el "Gráfico de Viaje en el Tiempo"

Aquí entran los autores de este artículo, quienes proponen un nuevo método llamado RankWalk. En lugar de intentar forzar los datos en una línea recta, deciden construir una gigantesca e invisible telaraña (un "grafo") que conecte todos los puntos.

Así es como construyen esta red:

1. Los Nodos (Los Puntos): Cada una de las mediciones que un paciente haya tenido se convierte en un punto en el mapa.
2. Las Cuerdas Temporales (El Viaje en el Tiempo): Si el Paciente A tuvo un chequeo el lunes y otro el martes, se dibuja una cuerda conectando esos dos puntos. Esto preserva el orden del tiempo. Le dice a la computadora: "Esto ocurrió antes que aquello".
3. Las Cuerdas de Similitud (Las Almas Gemelas): Esta es la parte ingeniosa. Si el Paciente A y el Paciente B tuvieron un chequeo el mismo martes, y sus cifras de salud se veían muy similares en ese preciso momento, la computadora dibuja una cuerda conectándolos, aunque sean personas diferentes. Es como decir: "Oigan, ustedes dos están en el mismo barco en este momento".

Pero, ¿qué pasa si los chequeos ocurrieron en momentos extraños? ¿Qué pasa si el Paciente A fue atendido a las 10:00 AM y el Paciente B a las 10:05 AM? Los autores utilizan un truco de "ventana deslizante". Imagina una ventana que se mueve a través de una línea de tiempo. Si el chequeo de un paciente cae dentro de la ventana, este se agrupa con todos los demás en esa ventana. Esto suaviza el tiempo irregular y desordenado sin perder la historia.

La Fórmula Secreta: El Ancla y el Paseo Aleatorio

Una vez construida la red, ¿cómo aprende la computadora a qué pacientes pertenecen? Aquí es donde entra el Aprendizaje Contrastivo (Contrastive Learning). Piensa en esto como un juego de "Encuentra las Diferencias".

La computadora elige un "Ancla" (el chequeo de un paciente específico) e intenta encontrar otros puntos que se parezcan a él. Pero en lugar de solo buscar a sus vecinos inmediatos, la computadora envía a un "paseador aleatorio" (random walker): un pequeño explorador que salta de punto en punto a lo largo de las cuerdas.

Aquí está el giro: el explorador está guiado por el ancla. No vaga sin rumbo. Tiene un sesgo para buscar puntos que sean estructuralmente similares al Ancla. Si el Ancla es un paciente "enfermo", el explorador tiene más probabilidades de encontrar otros pacientes "enfermos", incluso si están lejos en la red.

La computadora mantiene una puntuación de qué tan rápido el explorador encuentra una coincidencia. Cuanto más rápido encuentre un paciente similar, más "importante" es esa coincidencia. Esto se llama Generación de Pares Positivos con Pesado por Clasificación (Rank-Weighted Positive Pair Generation). Es como decir: "Si encontraste al gemelo en el primer paso de tu búsqueda, ese gemelo es una coincidencia perfecta. Si tuviste que buscar durante diez pasos para encontrar un gemelo, tal vez no son tan similares".

Finalmente, la computadora utiliza un objetivo "contrastivo". Intenta que los puntos "gemelos" se vean muy similares en su lenguaje interno (embeddings) y que los puntos "no gemelos" se vean muy diferentes. Con el tiempo, la computadora aprende una forma supereficiente de resumir el viaje de cada paciente en un código corto y poderoso.

Lo Que Encontraron: Los Resultados

Los autores probaron su nuevo método "RankWalk" contra los detectives antiguos (estadística tradicional) y otras nuevas herramientas de aprendizaje automático. Hicieron esto de dos maneras:

1. El Laboratorio de Simulación (Datos Falsos)
Primero, crearon datos de pacientes falsos en una computadora.

• Escenario A (El Viaje Suave): Crearon datos donde los pacientes seguían curvas suaves y predecibles. Aquí, los métodos antiguos (como fPCA) funcionaron bien, pero RankWalk se mantuvo al mismo nivel de eficacia.
• Escenario B (El Viaje Ruidoso): Añadieron "ruido" (errores aleatorios o puntos de datos erróneos) a la mezcla. Los métodos antiguos se confundieron y empezaron a agrupar mal a las personas. RankWalk, sin embargo, mantuvo la calma. Debido a que observó muchos "subespacios" diferentes (distintos ángulos de los datos) y utilizó un sistema de clasificación, ignoró las partes ruidosas y encontró los grupos reales.
• Escenario C (El Viaje Caótico): Crearon datos donde los pacientes cambiaban entre diferentes "regímenes" (como una enfermedad que cambia repentinamente su comportamiento) y tenían saltos no lineales. Los métodos antiguos fallaron por completo aquí porque no podían manejar el caos. RankWalk, sin embargo, sobresalió, encontrando los grupos con una precisión casi perfecta. Demostró que no necesitas conocer la forma de la curva de antemano; el grafo puede aprenderla.

2. El Mundo Real (Datos Reales)
Luego, probaron RankWalk en cuatro conjuntos de datos médicos reales relacionados con enfermedades cardíacas, enfermedades hepáticas, envejecimiento cognitivo y SIDA.

• No solo observaron qué tan bien se formaron los grupos; verificaron si los grupos realmente importaban para la supervivencia. Utilizaron un "Índice de Concordancia" (una puntuación de qué tan bien los grupos predecían quién viviría más tiempo) y una "Prueba de Log-Rank" (una verificación estadística para ver si los grupos eran realmente diferentes).
• El Resultado: RankWalk superó consistentemente al mejor método existente (fPCA). Por ejemplo, en el conjunto de datos de enfermedades cardíacas (HEART), el método antiguo tenía una puntuación de predicción de supervivencia de 0.57 (apenas mejor que adivinar), mientras que RankWalk la elevó a 0.71. Más sorprendente aún, la evidencia estadística de que los grupos eran diferentes se disparó de un débil 4.81 a un masivo 52.25.
• Esto sugiere que, al tratar los datos como una red conectada de tiempo y similitud, RankWalk encontró patrones que los métodos antiguos pasaron por alto, lo que llevó a grupos de pacientes que eran mucho más claramente distintos en términos de sus resultados de salud.

La Conclusión

El artículo sugiere que no necesitamos forzar los datos médicos desordenados del mundo real en líneas rectas y ordenadas para entenderlos. Al construir una red dinámica que respete tanto el flujo del tiempo como las similitudes entre diferentes personas, y al utilizar una estrategia inteligente de "búsqueda y comparación", podemos descubrir patrones ocultos en la progresión de las enfermedades.

RankWalk no solo agrupa pacientes; encuentra los grupos correctos. Maneja datos desordenados, ignora el ruido y se adapta a patrones de enfermedad complejos y cambiantes mejor que las herramientas que hemos estado usando durante décadas. Aunque los autores señalan que esto es un avance metodológico y que se necesita trabajo futuro para manejar escenarios aún más complejos (como datos faltantes o múltiples tipos de datos a la vez), los resultados hasta ahora sugieren que este enfoque basado en grafos es una poderosa nueva lente para observar el largo y sinuoso camino de la salud humana.