Timesynth: A Temporal Fidelity Framework for Health Signal Digital Twins

Resumen Técnico: TimeSynth: Un Marco de Fidelidad Temporal para Gemelos Digitales de Señales de Salud

Declaración del Problema
El desarrollo de gemelos digitales de señales de salud —sistemas computacionales específicos de cada paciente que predicen estados biológicos futuros— depende de modelos de pronóstico para series temporales fisiológicas. Sin embargo, las prácticas actuales de evaluación sufren un vacío fundamental entre la precisión del pronóstico y la fidelidad fisiológica. Las métricas puntuales estándar, como el Error Cuadrático Medio (MSE) y el Error Absoluto Medio (MAE), cuantifican la concordancia numérica pero no logran detectar la pérdida de propiedades dinámicas críticas, incluyendo la estructura oscilatoria, el contenido de frecuencia, las relaciones de fase y las transiciones de estado.

Los autores argumentan que esta limitación crea un "punto ciego" donde los modelos con errores puntuales comparables pueden representar el proceso fisiológico subyacente de maneras drásticamente diferentes. Por ejemplo, un modelo podría reproducir con precisión la amplitud de la señal mientras deriva significativamente en fase o frecuencia. Debido a que las grabaciones clínicas reales carecen de trayectorias de verdad de referencia (ground-truth) analíticamente conocidas para la amplitud, la frecuencia y la fase, es imposible desentrañar estos modos de error específicos en datos del mundo real. En consecuencia, los modelos pueden parecer fiables según los estándares de referencia (benchmarks), mientras fallan en preservar el tiempo y el ritmo esenciales para aplicaciones clínicas como la detección de arritmias o la estadificación del sueño.

Metodología: El Marco TimeSynth
Para abordar esto, los autores introducen TimeSynth, un marco de evaluación controlada diseñado para evaluar la fidelidad dinámica de las arquitecturas de pronóstico antes de que se vinculen a datos de pacientes. El marco consta de dos componentes principales:

1. Generador Sintético con Base Fisiológica:

   • En lugar de utilizar datos sintéticos arbitrarios, el marco ajusta modelos paramétricos de forma cerrada a grabaciones reales de tres conjuntos de datos públicos: MIT-BIH Arrhythmia (ECG), PPG-DaLiA (PPG/BVP) y CHB-MIT Scalp EEG (EEG).
   • Estos modelos paramétricos (Drift-Harmonic, Single Phase-Modulated y Dual Phase-Modulated) generan series temporales sintéticas con una verdad de referencia analíticamente conocida para la amplitud, la frecuencia instantánea y la fase instantánea en cada punto temporal.
   • El generador admite perturbaciones controladas para poner a prueba los modelos: ruido gaussiano aditivo, cambios en la distribución de frecuencia, transiciones de estado deterministas y conmutación estocástica de Markov.

2. Diagnósticos de Fidelidad:

   • En lugar de depender únicamente de errores agregados, TimeSynth emplea diagnósticos separados para cuantificar cuatro dimensiones de fidelidad: preservación de Amplitud, Frecuencia, Fase y Transición de Estado.
   • El error de fase se calcula mediante la señal analítica (transformada de Hilbert), y el error de frecuencia se deriva del refinamiento del pico del espectro de potencia. La fidelidad de la transición de estado se evalúa utilizando una sonda de Modelo Oculto de Markov (HMM) Gaussiano de dos estados estandarizada para medir la recuperación de las estadísticas de conmutación mediante la divergencia de Kullback-Leibler (KL) simétrica.

Configuración Experimental
El marco se utilizó para evaluar 11 arquitecturas de pronóstico que abarcan cuatro familias de sesgo inductivo:

• Lineales: Linear, DLinear, FITS.
• Basadas en MLP: MLinear, NBeats, FreMLP.
• Convolucionales/Basadas en Parches (Patch-based): MICN (variantes Regre y Mean), ModernTCN, PatchTST.
• Atención de Secuencia Completa (Full-sequence Attention): Transformer, Autoformer.

Los modelos fueron probados bajo cinco paradigmas: reconstrucción limpia, corrupción por ruido, cambio de distribución de frecuencia, transiciones de estado deterministas y conmutación estocástica de Markov.

Resultajes Clave
El estudio revela una disociación sistemática entre la precisión puntual y la fidelidad dinámica:

• Las métricas puntuales engañan: Los modelos con MAE comparables exhibieron errores de fase que diferían hasta en 53° (aproximadamente 123 ms para un ritmo cardíaco de 1.2 Hz). Los modelos lineales y de atención de secuencia completa a menudo lograron un MAE bajo mientras perdían información significativa de fase y frecuencia.
• La localidad preserva la fidelidad: Las arquitecturas con procesamiento temporal localizado (PatchTST, MICN, ModernTCN) preservaron consistentemente la estructura oscilatoria, la fase y la frecuencia bajo ruido y cambios de distribución. En contraste, los mapeos globales y los modelos de atención de secuencia completa (Transformer, Autoformer) se degradaron frecuentemente, particularmente bajo modulación de multifrecuencia.
• Velocidad de Adaptación: En transiciones de estado deterministas, los modelos localizados (PatchTST y ModernTCN) se adaptaron a nuevos estados dentro de 6 pasos temporales (0.6 s a 10 Hz), mientras que los modelos de atención de secuencia completa requirieron ~40 pasos temporales (4 s) para recuperarse, ya que la atención global difundió la evidencia de la transición a través del contexto.
• Limitación de la Conmutación Estocástica: Ninguna arquitectura preservó de manera fiable la dinámica de conmutación estocástica. Aunque PatchTST mostró una recuperación parcial en regímenes de conmutación de alta probabilidad, los pronosticadores de puntos deterministas generalmente fallaron en reproducir las estadísticas de transición de la verdad de referencia, lo que sugiere una limitación fundamental de los enfoques deterministas actuales para procesos fisiológicos estocásticos.
• Análisis de Pareto: PatchTST emergió como el único modelo que superó una puntuación normalizada de 0.8 en las cinco dimensiones de evaluación (limpia, ruido, cambio, transición y fidelidad de Markov), demostrando el desempeño más equilibrado.

Significado y Reivindicaciones
El artículo posiciona a TimeSynth no como una herramienta para encontrar un único modelo "mejor", sino como un marco basado en principios y orientado a casos de uso para la selección y verificación de modelos. Los autores afirman:

1. Brecha de Verificación: El desarrollo actual de gemelos digitales carece de marcos para verificar que las predicciones preserven un comportamiento fisiológicamente significativo. TimeSynth proporciona la "prueba de estrés preclínica controlada" requerida por las Academias Nacionales de Ciencias, Ingeniería y Medicina (NASEM) para la verificación, validación y cuantificación de la incertidumbre (VVUQ).
2. Determinismo Arquitectónico: El determinante dominante de la fidelidad es la arquitectura. La elección del modelo debe ser impulsada por las propiedades dinámicas específicas requeridas por el caso de uso (por ejemplo, robustez al ruido para monitoreo ambulatorio frente a rápida adaptación para cambios de estado en la UCI) en lugar de una búsqueda de un ganador universal basado en el error agregado.
3. Infraestructura de Desarrollo: TimeSynth ofrece infraestructura reutilizable para el desarrollo consciente de la fidelidad, permitiendo la generación de señales de verdad de referencia controladas para el preentrenamiento y proporcionando diagnósticos interpretables para identificar qué propiedades dinámicas una arquitectura preserva o destruye.

Los autores concluyen que, si bien el procesamiento temporal localizado (específicamente PatchTST) ofrece actualmente el candidato más sólido para los gemelos digitales de señales de salud, la incapacidad de cualquier arquitectura actual para capturar de manera fiable la conmutación estocástica indica la necesidad de futuros modelos con mecanismos probabilísticos o de estado latente explícito.