Accelerometry-Derived Digital Biomarkers for Cardiometabolic Risk: A Population-Representative Tabular Benchmark with Uncertainty Quantification

Résumé technique : Biomarqueurs numériques dérivés de l'accélérométrie pour le risque cardiométabolique

Énoncé du problème
Les données tabulaires structurées constituent le principal format pour la prise de décision clinique, pourtant les références actuelles pour l'apprentissage sur données tabulaires ne parviennent pas à capturer les propriétés critiques des données de santé du monde réel. Les évaluations actuelles reposent souvent sur des ensembles de données génériques qui manquent de conceptions d'échantillonnage d'enquête complexes, de suréchantillonnage démographique des groupes minoritaires, de résultats cliniquement validés et d'exigences de performance équitables entre les sous-groupes. De plus, traduire les données brutes de capteurs portables en prédictions cliniquement exploitables nécessite des modèles capables de gérer des caractéristiques hétérogènes, des valeurs manquantes et de fournir des estimations d'incertitude fiables pour un déploiement clinique.

Méthodologie
Les auteurs introduisent le NHANES Accelerometry Cardiometabolic Benchmark, dérivé de l'enquête NHANES (National Health and Nutrition Examination Survey) 2003–2006.

• Données : L'échantillon analytique se compose de 1 381 adultes (âgés de 20 à 85 ans) possédant des données d'accélérométrie de type ActiGraph portées à la hanche (≥4 jours de port) valides, des biomarqueurs de laboratoire à jeun, une consommation alimentaire (rappel de 24 heures) et des mesures anthropométriques.
• Caractéristiques : Les entrées comprennent six phénotypes d'activité (ex. : comptes d'activité totale, temps sédentaire, activité physique modérée à vigoureuse) et douze covariables démographiques/cliniques (ex. : âge, sexe, race/ethnie, IMC, tabagisme, apport énergétique).
• Résultats (Outcomes) : Trois marqueurs cardiométaboliques transformés logarithmiquement : l'hémoglobine glyquée (HbA1c), les triglycérides à jeun et la protéine C-réactive (CRP).
• Modèles évalués : Trois méthodes couvrant le spectre allant du spécialisé au général (selon Jiang et al., 2025) :
  1. Régression Ridge : Une base linéaire.
  2. XGBoost : Un ensemble d'arbres boostés par gradient représentant l'état actuel de la pratique.
  3. TabPFN v2 : Un modèle de fondation tabulaire qui utilise l'apprentissage en contexte (in-context learning) sur un a priori pré-entraîné (dérivé de millions de jeux de données synthétiques) pour effectuer une inférence bayésienne approximative sans apprentissage spécifique à la tâche.
• Configuration expérimentale : Les données ont été divisées en ensembles d'entraînement (60 %), de calibration (20 %) et de test (20 %) en utilisant une division aléatoire stratifiée.
• Quantification de l'incertitude : La prédiction conforme par partition (split conformal prediction) a été appliquée à tous les modèles pour générer des intervalles de prédiction à 90 % sans distribution préalable. L'étude a spécifiquement évalué si ces intervalles maintenaient une couverture équitable entre les sous-groupes de sexe et de race/ethnie.

Contributions clés

1. Introduction d'un benchmark : La création d'un benchmark de santé tabulaire représentatif de la population, intégrant les poids de conception d'enquête, le suréchantillonnage démographique, des résultats à jeun cliniquement validés et une structure temporelle à deux vagues.
2. Comparaison rigoureuse de modèles : Une évaluation systématique des modèles classiques spécialisés par rapport aux modèles de fondation généraux sur trois résultats cardiométaboliques distincts.
3. Quantification de l'incertitude : L'application de la prédiction conforme par partition pour générer des garanties de couverture à échantillon fini pour tous les modèles.
4. Analyse de l'équité : Une évaluation pour déterminer si la couverture conforme est équitable entre les sous-groupes démographiques, répondant directement aux lacunes des évaluations d'équité actuelles.

Résultats

• Performance prédictive : TabPFN v2 a obtenu la meilleure performance globale sur les trois résultats sans entraînement spécifique à la tâche.
  • CRP : TabPFN v2 a atteint un $R^2$ de 0,383, surpassant Ridge (0,339) et XGBoost (0,313). Les auteurs attribuent cela à la capacité du modèle à capturer les interactions non linéaires via son a priori bayésien en contexte.
  • HbA1c : TabPFon v2 a atteint un $R^2$ de 0,156, dépassant légèrement Ridge (0,133) et XGBoost (0,139).
  • Triglycérides : Tous les modèles ont peu performé ($R^2 < 0,05$), avec certaines valeurs négatives, reflétant la dominance connue des facteurs génétiques et de l'apport alimentaire aigu non capturés par l'ensemble de caractéristiques.
• Couverture conforme :
  • La couverture marginale était proche de la cible de 90 % pour la CRP et l'HbA1c (ex. : Ridge a atteint 0,910 pour l'HbA1c).
  • La couverture était plus faible pour les triglycérides (ex. : 0,819 pour TabPFN v2), ce qui est cohérent avec la faible prédictibilité du résultat.
• Analyse de sous-groupe : Bien que la couverture soit généralement cohérente pour la CRP, une sous-couverture localisée a été observée pour certains groupes. Notamment, les participants mexicains-américains présentaient une couverture de seulement 0,719 pour l'HbA1c, malgré le fait que d'autres groupes atteignaient ou dépassaient la cible de 90 %. Cela souligne l'écart entre les garanties marginales et la couverture conditionnelle requise pour l'équité clinique.

Signification et affirmations
L'article affirme que TabPFN v2 sert de base solide pour les petits ensembles de données de santé structurées cliniquement ($N < 10\,000$), surpassant les modèles spécifiques à la tâche en exploitant un a priori large appris à partir de données synthétiques. Cela suggère que les modèles de fondation peuvent être particulièrement adaptés aux applications de santé où la collecte de données est coûteuse et les tailles d'échantillons limitées.

Cependant, les auteurs maintiennent un ton modeste concernant leurs conclusions :

• Les marges de performance, bien que cohérentes avec les travaux antérieurs sur des benchmarks génériques, sont faibles et basées sur une seule division de données ; elles doivent être considérées comme indicatives plutôt que comme des classements statistiquement définitifs.
• L'étude démontre que la prédiction conforme marginale est insuffisante pour certifier l'équité démographique, car elle peut masquer une sous-couverture dans des sous-groupes spécifiques.
• Le benchmark est limité par le protocole spécifique NHANES 2003–2006 (capteurs uniaxiaux portés à la hanche), l'absence de données génétiques et le rappel alimentaire unique de 24 heures, ce qui signifie que les résultats peuvent ne pas se généraliser aux capteurs triaxiaux modernes portés au poignet ou à des populations ayant des profils génétiques ou alimentaires différents.

Ce travail fournit une base reproductible pour les comparaisons futures des méthodes d'apprentissage tabulaire sur des données de santé cliniquement structurées, en mettant l'accent sur la nécessité d'une calibration conditionnelle par groupe pour combler les lacunes d'équité.