AI-driven Multimodal Representation Learning for Latent Mediation Structure Discovery of Socioeconomic Disadvantage, Psychosocial Factors, and Cardiometabolic Multimorbidity

Resumen Técnico: Aprendizaje de Representación Multimodal Impulsado por IA para el Descubrimiento de Estructuras de Mediación Latente

Planteamiento del Problema
Si bien la asociación entre la desventaja social y la multimorbilidad está bien establecida, las vías específicas que vinculan las condiciones socioeconómicas con las cargas de enfermedades complejas siguen estando insuficientmente comprendidas. El análisis de mediación tradicional suele depender de modelos de regresión paramétricos que asumen relaciones simples y lineales, los cuales son insuficientes para las cohortes poblacionales modernas de alta dimensionalidad donde las variables están altamente correlacionadas y son potencialmente no lineales. Además, la multimorbilidad presenta un desafío único, ya que las enfermedades crónicas ocurren en patrones interconectados en lugar de aislamiento, creando estructuras de tipo red difíciles de capturar con los enfoques analíticos convencionales. Los estudios existentes suelen centrarse en conjuntos limitados de mediadores predefinidos y resultados de enfermedades individuales, fallando al caracterizar las complejas vías trans-dominio a través de las cuales las experiencias sociales influyen en la multimorbilidad.

Metodología
Los autores desarrollaron un marco de mediación multimodal impulsado por IA utilizando datos del programa de investigación All of Us (Controlled Tier v8). El estudio integra siete dominios analíticos: exposiciones socioeconómicas ($T$), mediadores psicosociales ($M$), resultados de enfermedades ($Y$), covariables demográficas ($X$), covariables de laboratorio ($L$), covariables conductuales ($C$) y perfiles de carga genómica ($G$).

El flujo de trabajo analítico consta de cuatro etapas primarias:

1. Construcción de la Red de Enfermedades: Se construyeron redes de coocurrencia de enfermedades a partir de registros de salud electrónicos utilizando el algoritmo de detección de comunidades de Louvain para caracterizar los patrones de multimorbilidad.
2. Aprendizaje de Representación Específica por Modalidad: Se entrenaron Variational Autoencoders (VAEs) independientes para cada modalidad de datos con el fin de derivar representaciones latentes de baja dimensión. Este enfoque se eligió porque las modalidades difieren significativamente en escala, dispersión y distribución.
   • Arquitectura: Cada VAE consta de un codificador, una capa latente y un decodificador. Los modelos se entrenaron para minimizar la pérdida de reconstrucción y la divergencia de Kullback–Leibler.
   • Hiperparámetros: Las dimensiones latentes se seleccionaron de forma independiente basándose en la pérdida de la cota inferior de evidencia (ELBO) del conjunto de validación, resultando en 4 dimensiones socioeconómicas ($Z_T$), 20 dimensiones psicosociales ($Z_M$), 10 dimensiones de red de enfermedades ($Z_Y$), 10 dimensiones genómicas ($Z_G$), 8 dimensiones de laboratorio ($Z_L$) y 3 dimensiones conductuales ($Z_C$).
3. Integración de Datos: Los embeddings de los participantes a nivel de individuo de todas las modalidades se vincularon utilizando identificadores únicos.
4. Análisis de Mediación en el Espacio Latente: Se realizaron análisis de mediación en el espacio latente para evaluar vías de la forma $Z_T \rightarrow Z_M \rightarrow Z_Y$.
   • Modelos: Se ajustaron dos modelos de regresión para cada combinación de exposición, mediador y resultado: un modelo de mediación ($Z_M = \alpha_0 + a Z_T + \gamma^T W + \epsilon$) y un modelo de resultado ($Z_Y = \beta_0 + c' Z_T + b Z_M + \delta^T W + \epsilon$), donde $W$ representa las covariables (demográficas, de laboratorio, conductuales, genómicas).
   • Estimación del Efecto: Los Efectos Indirectos Naturales (NIEs) se estimaron utilizando el enfoque de producto de coeficientes ($NIE = a \times b$).
   • Alcance: El estudio evaluó 800 vías de mediación candidatas ($4 \times 20 \times 10$).
   • Controles Estadísticos: Se controló la tasa de falso descubrimiento (FDR) utilizando el procedimiento de Benjamini–Hochberg. La vía más fuerte fue validada adicionalmente mediante remuestreo de bootstrap no paramétrico.

Resultados Clave
La cohorte analítica final consistió en 20,804 participantes con datos multimodales completos.

• Concentración de la Mediación: Las señales de mediación no fueron difusas, sino que se concentraron dentro de un pequeño número de dimensiones latentes.
• Vía Dominante: Se identificó la asociación indirecta más fuerte en la vía $Z_{T2} \rightarrow Z_{M13} \rightarrow Z_{Y9}$, con un NIE estimado de 0.002517.
  • Exposición ($Z_{T2}$): Representó la desventaja socioeconómica, caracterizada por menores ingresos y nivel educativo.
  • Mediador ($Z_{M13}$): Representó una dimensión de vulnerabilidad psicosocial latente, caracterizada por una peor salud mental, mayor soledad, menor bienestar social y menor alfabetización en salud. Esta dimensión también mostró asociaciones con indicadores cardiometabólicos (hipertensión, diabetes, hiperlipidemia).
  • Resultado ($Z_{Y9}$): Representó una dimensión de multimorbilidad cardiometabólica, asociada con hipertensión, diabetes, hiperlipidemia, obesidad, enfermedad renal crónica y enfermedad cardíaca.
• Estabilidad: El análisis de bootstrap de la vía dominante arrojó un NIE de 0.00291 (IC 95%: 0.00243–0.00344), lo que respalda la estabilidad del hallazgo.
• Estructura de Red: Las redes de coocurrencia de enfermedades en el subgrupo de alta multimorbilidad mostraron una modularidad significativamente mayor (0.694) en comparación con la cohorte completa (0.116), lo que indica una separación más fuerte entre las comunidades de enfermedades en individuos con múltiples condiciones.

Significancia y Reivindicaciones
El artículo reivindica dos contribuciones primarias:

1. Perspectiva Sustantiva: El estudio identifica la vulnerabilidad psicosocial como un componente fuertemente representado en la vía latente dominante que vincula la desventaja socioeconómica con la multimorbilidad cardiometabólica. Esto sugiere que factores como la salud mental, la soledad y la alfabetización en salud actúan como intermediarios críticos en la relación entre las condiciones sociales y las cargas de enfermedades complejas.
2. Avance Metodológico: El marco propuesto demuestra cómo el aprendizaje de representación basado en IA (específicamente VAEs multimodales) puede utilizarse para investigar relaciones complejas a través de datos de salud multimodales y de alta dimensionalidad. Al integrar diversos tipos de datos en un espacio latente unificado, el enfoque permite la exploración de vías complejas sin requerir que los investigadores especifiquen mediadores o resultados individuales a priori.

Limitaciones y Advertencias
Los autores declaran explícitamente que el análisis es observacional y no puede establecer efectos de mediación causales. Los términos "Efecto Indirecto Natural" y "Efecto Directo Natural" se utilizan como etiquetas para cantidades de descomposición de regresión en el espacio latente, no como efectos causalmente identificados. Adicionalmente, el estudio señala que las dimensiones latentes son constructos aprendidos que requieren interpretación a través de correlatos, y que la reducción en el tamaño de la muestra debido a la integración de casos completos puede introducir un sesgo de selección. Los hallazgos representan asociaciones indirectas estructuradas en lugar de evidencia de causalidad.