STDP-inspired temporal transition modeling for adaptive clinical risk prediction from electronic health records

Resumen Técnico: Modelado de Transición Temporal Inspirado en STDP para la Predicción Adaptativa del Riesgo Clínico

Planteamiento del Problema
Los modelos de predicción clínica actuales que utilizan Registros Electrónicos de Salud (EHR) suelen agregar historiales longitudinales de pacientes en características estáticas a nivel de paciente (por ejemplo, recuentos acumulativos de comorbilidades o valores brutos de laboratorio). Este enfoque a menudo descarta el orden temporal de los eventos clínicos, lo cual puede ser crítico para comprender la fisiopatología. Por ejemplo, dos pacientes con el mismo conjunto de diagnósticos y anomalías de laboratorio pueden tener pronósticos muy distintos si uno experimentó una secuencia de eventos rápida y de empeoramiento, mientras que el otro los acumuló durante un periodo estable. Si bien existen técnicas de modelado temporal como las redes neuronales recurrentes (RNN) y los transformadores, estas suelen requerir grandes conjuntos de datos, recursos computacionales significativos y producen representaciones latentes que carecen de interpretabilidad clínica. Además, muchos modelos temporales se evalúan como predictores de punto final en lugar de como herramientas de decisión continua, lo que puede confundir las señales de alerta temprana con el deterioro clínico proximal.

Metodología
Los autores proponen un marco simplificado inspirado en la Plasticidad Dependiente del Tiempo de Disparo (STDP), una regla de aprendizaje neurobiológica donde la fuerza de asociación entre dos eventos depende de su tiempo relativo. El estudio adapta este principio a datos estructurados de EHR para crear características de transición dispersas y direccionales.

• Construcción de Características:

  • Representación de Eventos: Los datos estructurados de EHR (diagnósticos, valores de laboratorio anormales, procedimientos) se mapean en familias de eventos clínicos con marca de tiempo. Los valores de laboratorio se agrupan en dominios fisiológicos interpretables (por ejemplo, renal, hepatobiliar, inflamatorio).
  • Puntuación de Transición STDP: Para cualquier par ordenado de tipos de eventos $(i, j)$ que ocurren en los tiempos $t_i$ y $t_j$, se genera una característica de transición si $i$ precede a $j$ dentro de una ventana de retardo $L$ preespecificada.
  • Ponderación: La contribución de un par calificable se pondera mediante una función de decaimiento exponencial, $w_{ij} = \exp(-(t_j - t_i)/\tau)$, donde $\tau$ controla la tasa de decaimiento. Esto asegura que las transiciones temporalmente próximas contribuyan más fuertemente que las coocurrencias distantes. La direccionalidad se preserva ($i \to j$ es distinto de $j \to i$).
  • Agregación: Las puntuaciones de transición se agregan para cada instantánea (snapshot) de paciente para formar un vector de características, que se concatena con características de carga estática (demografía, recuentos acumulativos, laboratorios basales).

• Diseño del Estudio y Conjuntos de Datos:
  El marco fue evaluado en dos entornos distintos mediante validación cruzada a nivel de paciente y horizontes de predicción rodantes:

  1. Lesión Renal Aguda (AKI): Un entorno denso y de corto plazo utilizando 17,351 estancias en UCI del MIMIC-IV. La tarea consistió en predecir la incidencia de AKI en 48 o 72 horas basándose en los datos de las primeras 24 horas de la admisión.
  2. Recurrencia de Adenocarcinoma Ductal Pancreático (PDAC): Un entorno disperso y de largo plazo utilizando 713 pacientes del Columbia University Irving Medical Center (CUMC). La tarea fue predecir la recurrencia postoperatoria temprana (dentro de 6 meses) utilizando el historial de EHR preoperatorio, con instantáneas rodantes desde el Día -90 hasta el Día 0 respecto a la cirugía.

• Modelos: El estudio comparó tres familias de modelos: (1) Baselines de carga estática, (2) Modelos de transición de un solo STDP, y (3) Ensembles de STDP calibrados (que combinan características estáticas y de transición). Los algoritmos incluyeron regresión logística, elastic net, XGBoost y LightGBum.

Resultados Clave

• Predicción de AKI (Entorno Denso): El ensemble de STDP calibrado superó significativamente a los modelos de carga estática.
  • Para el horizonte de 48 horas, el ensemble de STDP alcanzó un AUROC de 0.868 frente a 0.827 para el baseline estático.
  • Para el horizonte de 72 horas, el ensemble de STDP alcanzó un AUROC de 0.838 frente a 0.800 para el baseline estático.
  • También se observaron mejoras en AUPRC, puntuación de Brier y sensibilidad a alta especificidad (90%). La atribución de características resaltó vías clínicamente plausibles, como las transiciones cardiovasculares y renales que preceden a la AKI.
• Predicción de Recurrencia de PDAC (Entorno Disperso): El ensemble de STDP mostró mejoras modestas pero consistentes sobre los baselines estáticos.
  • En el Día -30 (horizonte de decisión primario), el ensemble de STDP alcanzó un AUROC de 0.611 frente a 0.587 para el baseline estático.
  • En el Día 0, el AUROC fue de 0.681 frente a 0.657.
  • Las ganancias fueron menores que en la tarea de AKI, lo que refleja la dispersión de los datos de vigilancia oncológica y la escala temporal biológica más larga de la recurrencia.
• Robustez: Los análisis confirmaron que las ganancias de rendimiento no fueron impulsadas únicamente por la intensidad de la observación (por ejemplo, número de pruebas de laboratorio o frecuencia de visitas). Los modelos STDP mantuvieron su superioridad incluso tras ajustar por longitud de registro y densidad de encuentros.

Significancia y Reivindicaciones
El artículo sostiene que las características de transición inspiradas en STDP ofrecen un método práctico e interpretable para incorporar el orden temporal en la predicción de riesgo basada en EHR sin la naturaleza de "caja negra" de los modelos de secuencias de aprendizaje profundo.

• Interpretabilidad: A diferencia de los embeddings latentes, las características de STDP codifican explícitamente la identidad del evento, la direccionalidad y el tiempo aproximado, lo que permite a los clínicos identificar trayectorias temporales específicas (por ejemplo, "anomalías hepáticas seguidas de un declive nutricional") que impulsan el riesgo.
• Versatilidad: El marco es efectivo tanto en entornos agudos de alta densidad (UCI) como en entornos longitudinales dispersos (vigilancia oncológica), aunque la magnitud de la mejora se correlaciona con la densidad de eventos y la proximidad temporal.
• Utilidad Clínica: El enfoque permite horizontes de predicción rodantes, lo que posibilita la estratificación de riesgo continua. En el contexto de PDAC, los autores enfatizan que el modelo está destinado a apoyar las discusiones de los comités de tumores (tumor boards) y la intensidad de la vigilancia, más que a la toma de decisiones quirúrgicas autónoma, particularmente dada la necesidad de alta especificidad para evitar clasificaciones de alto riesgo con falsos positivos.

Los autores concluyen que, si bien el método no es un modelo mecanístico de plasticidad biológica, sirve como una analogía computacional robusta que preserva la estructura temporal manteniendo al mismo tiempo la interpretabilidad a nivel de característica, cerrando la brecha entre los modelos de carga estática y los complejos modelos de aprendizaje profundo temporal.