RarePathAI: Predictive Analytics to Identify Rare Diseases in Real-World Data

Resumen Técnico: RarePathAI

Planteamiento del Problema
Las enfermedades raras (ER) afectan a millones de personas en los Estados Unidos; sin embargo, los pacientes suelen soportar una "odisea diagnóstica" caracterizada por retrasos prolongados, diagnósticos erróneos y una falta de familiaridad por parte de los clínicos. Una barrera principal para un diagnóstico oportuno es la limitación de los datos de salud y las prácticas de codificación existentes. Más de la mitad de las ER conocidas carecen de códigos específicos de la Clasificación Internacional de Enfermedades (CIE-10), lo que obliga a depender de códigos diagnósticos inespecíficos que oscurecen los fenotipos de los pacientes. Además, integrar terminologías fenotípicas estandarizadas y granulares (como la Ontología del Fenotipo Humano, HPO) con datos del mundo real (RWD) provenientes de reclamaciones administrativas sigue siendo técnicamente desafiante. Los enfoques tradicionales de aprendizaje automático a menudo fallan al capturar las relaciones complejas, temporales e interdependientes inherentes a las trayectorias de los pacientes, particularmente cuando los patrones de síntomas son heterogéneos.

Metodología
Los autores presentan RarePathAI, un marco que integra datos de reclamaciones administrativas de EE. UU., ontologías de enfermedades raras y Redes Neuronales de Grafos (GNN) para apoyar un diagnóstico más temprano.

• Ecosistema de Datos: El sistema utiliza el Symphony Integrated Dataverse (~320 millones de individuos únicos) que cubre desde julio de 2018 hasta junio de 2025. Esto se combina con datos de referencia de Orphanet (nomenclatura de enfermedades y epidemiología) y la Ontología del Fenotipo Humano (HPO).
• Construcción de Cohortes: El estudio se centró en 98 cohortes de enfermedades raras curadas, cada una con una prevalencia de 1 a 50 por cada 100,000 en los EE. UU. y asociada con al menos tres síntomas clínicos comúnmente observados. Las cohortes de pacientes requirieron al menos un año de historial de reclamaciones previo al diagnóstico y tres encuentros clínicos. Las fechas de diagnóstico se establecieron mediante códigos CIE-10 inequívocos (que requieren dos ocurrencias con 60 días de diferencia) o tratamientos específicos de la enfermedad.
• Esquema de Grafo: Se construyó una base de datos de grafos donde los pacientes se representan como subgrafos.
  • Nodos: Derivados de RWD (Paciente, Encuentro, Diagnóstico, Procedimiento, Especialidad, Rango de Edad) y Datos de Referencia (Enfermedad Rara, Término HPO, Tripletos de Edad Significativos).
  • Embeddings: Los nodos de datos de referencia se enriquecieron con representaciones vectoriales. Las descripciones de texto fueron procesadas mediante BioBERT para generar embeddings de 768 dimensiones. Las relaciones estructurales dentro de la red de referencia se codificaron mediante ProNE para generar embeddings de 512 dimensiones.
  • Tripletos de Edad: Para abordar la falta de datos de síntomas específicos por edad en las ontologías de referencia, los autores utilizaron Claude 3.5 (LLM) para generar nodos de "tripletos de edad" (Edad-CIE-ER), vinculando síntomas específicos con rangos de edad típicos de manifestación.
• Arquitectura del Modelo: Se desarrolló un modelo predictivo apilado de dos pasos:
  1. Clasificador Binario: Determina si un paciente es propenso a tener cualquiera de las 98 enfermedades raras objetivo frente a un control de la población general.
  2. Clasificador Multiclase: Para los pacientes marcados como positivos, este modelo predice la probabilidad de diagnósticos específicos a través de las 98 clases.
  • La GNN utiliza una implementación de PyTorch con capas GraphConv, que cuenta con nueve capas de paso de mensajes con 256 canales, activación Tanh y agregación de media.
  • La importancia de las características se evaluó mediante análisis de perturbación (eliminación de nodos para medir los cambios en la puntuación).

Resultados Clave

• Escala: El grafo final contenía más de 40 millones de nodos y más de 350 millones de aristas.
• Clasificación Binaria: El modelo alcanzó un Área Bajo la Curva de Característica Operativa del Receptor (ROC-AUC) de 0.951. Con un umbral de decisión más alto, el modelo mantuvo una Tasa de Verdaderos Positivos del 84% mientras reducía la Tasa de Falsos Positivos al 5%.
• Clasificación Multiclase: El modelo generó listas clasificadas de diagnósticos probables.
  • Recall Ponderado Top 10: 74.8% (lo que significa que el diagnóstico correcto apareció en las 10 sugerencias principales para el 74.8% de los pacientes).
  • Recall Ponderado Top 15: 80.3%.
  • Recall Ponderado Top 20: 84.2%.
• Importancia de las Características: El análisis de perturbación confirmó que los nodos asociados con signos clínicos clave (por ejemplo, ataxia para la ataxia de Friedreich, retrasos en el desarrollo para el síndrome de Prader-Willi) fueron los principales impulsores de las predicciones del modelo.
• Alineación de Datos: El estudio observó que, si bien los síntomas "Muy frecuentes" de HPO se esperaban en casi todos los pacientes, solo se observaron en el 6.2% de los datos de reclamaciones previos al diagnóstico, lo que resalta las limitaciones del emparejamiento basado en reclamaciones y la necesidad de la capacidad del modelo para inferir patrones a partir de datos dispersos.

Significancia y Reivindicaciones
El artículo afirma que RarePathAI ofrece un método escalable e interpretable para reducir los retrasos diagnósticos, trasladando la detección de enfermedades raras de entornos de investigación aislados a la práctica clínica rutinaria. Las contribuciones clave incluyen:

1. Aprendizaje Basado en Grafos: Demostrar que las GNN pueden capturar relaciones complejas y latentes entre síntomas, procedimientos y enfermedades que los modelos tradicionales pasan por alto, sin necesidad de una ingeniería de características manual extensiva.
2. Integración de Ontologías: Vincular con éxito la brecha entre los datos de reclamaciones no estructurados y las ontologías estructuradas (Orphanet/HPO) utilizando técnicas de embedding y datos de edad aumentados por LLM.
3. Utilidad Clínica: El enfoque de dos pasos (cribado seguido de clasificación) se alinea con el razonamiento clínico, proporcionando una lista de diagnóstico diferencial clasificada para estrechar el espacio de búsqueda para los clínicos.
4. Visión Futura: Los autores proponen una "capa de orquestación agéntica de IA" para el despliegue futuro. Este sistema no solo proporcionaría sugerencias diagnósticas en tiempo real, sino que también coordinaría agentes de IA especializados para generar conocimientos explicables y guía interactiva, potencialmente dirigiendo pruebas específicas oportunas (incluyendo estudios genéticos).

Los autores enfatizan que, si bien su modelo muestra un fuerte rendimiento predictivo, la validación clínica en poblaciones diversas y la integración en los sistemas de Registros Médicos Electrónicos (EMR) son los siguientes pasos esenciales para garantizar la fiabilidad y la seguridad en entornos del mundo real. Reconocen limitaciones, incluyendo la granularidad de los datos de reclamaciones y los inevitables desajustes semánticos entre los términos HPO y los códigos CIE-10.