Adaptive Selection of MICE Algorithm Parameters: A Case Study on Pulmonary Function Value Prediction Models

Resumen Técnico: Selección Adaptativa de Parámetros del Algoritmo MICE para la Predicción de la Función Pulmonar

Planteamiento del Problema
Los modelos de predicción médica basados en inteligencia artificial suelen sufrir una reducción en su fiabilidad y rendimiento predictivo debido a conjuntos de datos incompletos que contienen valores faltantes. En el contexto de la Enfermedad Pulmonar Obstructiva Crónica (EPOC), los datos de las pruebas de función pulmonar (PFT) presentan desafíos específicos: las mediciones se realizan en intervalos irregulares, las variables exhiben relaciones no lineales a lo largo del tiempo y los valores faltantes surgen de pruebas selectivas o seguimientos interrumpidos. Si bien la Imputación Múltiple por Ecuaciones en Cadena (MICE) es un método de imputación estándar en la investigación médica, sus parámetros por defecto (estrategia de inicialización y número de iteraciones) se aplican a menudo de manera uniforme. Este estudio aborda la falta de un enfoque adaptado para establecer los hiperparámetros de MICE basados en las características estadísticas específicas de los indicadores de la función pulmonar (FEV1, FVC, FEF25–75% y PEF).

Metodología
El estudio utilizó un conjunto de datos longitudinales retrospectivos de 598 sujetos recopilados durante dos años en el Hospital Universitario de la Universidad Nacional de Chungnam. La investigación siguió un proceso de tres etapas:

1. Caracterización Estadística de las Variables: Los autores analizaron las propiedades estadísticas de los indicadores clave de las PFT para informar las estrategias de imputación:

   • FEV1 y FVC: Exhiben una fuerte relación lineal y baja variabilidad.
   • FEF25–75%: Caracterizado por una alta variabilidad interindividual y una gran varianza residual.
   • PEF: Muestra una variabilidad periódica de series temporales dependiente de la hora del día y el esfuerzo del paciente.
   • Estructura Multivariante: Los indicadores comparten una estructura de covarianza, lo que justifica la imputación multivariante sobre los enfoques univariantes.

2. Selección Adaptativa de Parámetros MICE: Basándose en las propiedades estadísticas, se propuso un método de selección adaptativa para los hiperparámetros de MICE:

   • Estrategia de Inicialización: Se aplicó la inicialización basada en la media a las variables de baja variabilidad y distribución normal (FEV1, FVC), mientras que la inicialización basada en la mediana se aplicó a las variables de alta variabilidad o sesgadas (FEF25–75%, PEF) para reducir la sensibilidad a los valores atípicos.
   • Número de Iteraciones: El recuento máximo de iteraciones se ajustó según la variabilidad específica de cada variable. Se estableció una base de 14 iteraciones para FEV1, FVC y PEF, mientras que para FEF25–75% se asignaron 20 iteraciones para compensar su mayor coeficiente de variación y su convergencia más lenta.

3. Validación Experimental:

   • Comparación de Imputación: El MICE adaptativo propuesto se comparó con la imputación de Polinomio de Interpolación Cúbica de Hermite por Partes (PCHIP).
   • Tasas de Ausencia: Se introdujeron tasas de ausencia artificiales del 5%, 10% y 20% para probar la robustez.
   • Modelo de Predicción: Se utilizó un modelo de regresión basado en LSTM para predecir futuros valores de la función pulmonar (T+1) basándose en los dos puntos temporales precedentes (T-1, T).
   • Evaluación: El rendimiento se midió mediante MAPE, RMSE, $R^2$ y MAE a través de una validación cruzada de 5 pliegues (5-fold cross-validation).

Contribuciones Clave

• Justificación Estadística para el Ajuste de Parámetros: El artículo proporciona fundamentos teóricos para inicializar MICE y establecer recuentos de iteraciones basados en las características específicas de varianza y distribución de los indicadores de la función pulmonar, en lugar de utilizar valores predeterminados uniformes.
• Interpretación Multivariante: Trata los datos de PFT como series temporales multivariantes con estructuras de correlación explícitas (por ejemplo, la dependencia lineal entre FEV1 y FVC), en lugar de series univariantes independientes, validando el uso de MICE sobre la interpolación univariante.
• Configuración Adaptativa: El estudio propone una configuración específica (Media/14 para FEV1/FVC; Mediana/20 para FEF25–75%; Mediana/14 para PEF) que equilibra la precisión de la imputación con la eficiencia computacional.

Resultos

• Robustez ante la Ausencia de Datos: La estrategia MICE adaptativa mantuvo un rendimiento predictivo estable a medida que las tasas de ausencia aumentaban del 5% al 20%. Con una tasa de ausencia del 20%, el enfoque MICE adaptativo logró un Error Porcentual Absoluto Medio (MAPE) del 5.831%, demostrando que la imputación basada en la correlación multivariante puede proporcionar información de entrada válida incluso en entornos de alta ausencia de datos.
• Comparación con PCHIP: MICE y PCHIP arrojaron niveles de rendimiento similares en todas las tasas de ausencia. Sin embargo, la capacidad de MICE para reflejar las relaciones estructurales entre variables ofreció una ventaja distintiva al preservar las estructuras de dependencia multivariante en comparación con el enfoque de PCHIP centrado en la continuidad de la serie temporal.
• Sensibilidad de los Parámetros: La combinación óptima de método de inicialización y número de iteraciones varió ligeramente según la tasa de ausencia (por ejemplo, el método "adaptativo" funcionó mejor al 5% y 10%, mientras que el de "solo media" funcionó ligeramente mejor al 20% en configuraciones específicas), lo que sugiere que ninguna configuración fija es universalmente superior, pero las estrategias adaptativas siguen siendo robustas.

Significancia y Reivindicaciones
Los autores afirman que su estudio demuestra la viabilidad de utilizar una estrategia de selección adaptativa de parámetros MICE para mitigar los problemas de datos faltantes en el análisis de series temporales de la función pulmonar. Al reflejar las características estadísticas específicas de indicadores como el FEF25–75% (alta variabilidad) y la correlación lineal entre FEV1 y FVC, el método propuesto proporciona información predictiva fiable sin degradar el rendimiento del modelo a medida que disminuye la completitud de los datos. El estudio concluye que MICE, cuando se ajusta adecuadamente, es una estrategia de imputación competitiva y apropiada para los datos de seguimiento a largo plazo de la función pulmonar, capaz de utilizar las relaciones estructurales entre variables para apoyar los modelos de predicción clínica.

Limitaciones
Los autores reconocen que el estudio se basa en un conjunto de datos retrospectivos de una sola institución, lo que puede limitar la generalizabilidad. Los valores faltantes se introdujeron artificialmente a tasas fijas, lo que puede no replicar completamente los mecanismos del mundo real de "ausencia no aleatoria" (missing-not-at-random). Además, los resultados son específicos para la arquitectura LSTM utilizada y no fueron validados externamente en conjuntos de datos independientes de múltiples instituciones.