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

Résumé Technique : Apprentissage de Représentations Multimodales Piloté par l'IA pour la Découverte de Structures de Médiation Latente

Énoncé du Problème
Bien que l'association entre le désavantage social et la multimorbidité soit bien établie, les voies spécifiques reliant les conditions socio-économiques aux charges de morbidité complexes restent mal comprises. L'analyse de médiation traditionnelle repose souvent sur des modèles de régression paramétriques qui supposent des relations simples et linéaires, lesquelles sont insuffisantes pour les cohortes de population modernes à haute dimension où les variables sont fortement corrélées et potentiellement non linéaires. De plus, la multimorbidité présente un défi unique car les maladies chroniques surviennent selon des schémas interconnectés plutôt qu'en isolation, créant des structures de type réseau difficiles à capturer avec les approches analytiques conventionnelles. Les études existantes se concentrent souvent sur des ensembles limités de médiateurs prédéfinis et de résultats de maladies individuels, échouant à caractériser les voies transversales complexes par lesquelles les expériences sociales influencent la multimorbidité.

Méthodologie
Les auteurs ont développé un cadre de médiation multimodale piloté par l'IA utilisant les données du programme de recherche All of Us (Controlled Tier v8). L'étude intègre sept domaines analytiques : les expositions socio-économiques ($T$), les médiateurs psychosociaux ($M$), les résultats de maladies ($Y$), les covariables démographiques ($X$), les covariables de laboratoire ($L$), les covariables comportementales ($C$) et les profils de charge génomique ($G$).

Le flux de travail analytique comprend quatre étapes principales :

1. Construction du Réseau de Maladies : Des réseaux de cooccurrence de maladies ont été construits à partir de dossiers de santé électroniques en utilisant l'algorithme de détection de communauté de Louvain pour caractériser les schémas de multimorbidité.
2. Apprentissage de Représentations Spécifiques à la Modalité : Des auto-encodeurs variationnels (VAE) distincts ont été entraînés pour chaque modalité de données afin d'extraire des représentations latentes de faible dimension. Cette approche a été choisie car les modalités diffèrent considérablement en termes d'échelle, de parcimonie et de distribution.
   • Architecture : Chaque VAE comprend un encodeur, une couche latente et un décodeur. Les modèles ont été entraînés pour minimiser la perte de reconstruction et la divergence de Kullback–Leibler.
   • Hyperparamètres : Les dimensions latentes ont été sélectionnées indépendamment sur la base de la perte de borne inférieure de l'évidence (ELBO) de l'ensemble de validation, résultant en 4 dimensions socio-économiques ($Z_T$), 20 dimensions psychosociales ($Z_M$), 10 dimensions de réseau de maladies ($Z_Y$), 10 dimensions génomiques ($Z_G$), 8 dimensions de laboratoire ($Z_L$) et 3 dimensions comportementales ($Z_C$).
3. Intégration des Données : Les plongements (embeddings) latents au niveau du participant pour toutes les modalités ont été liés à l'aide d'identifiants uniques.
4. Analyse de Médiation dans l'Espace Latent : Les analyses de médiation ont été effectuées dans l'espace latent pour évaluer les voies de la forme $Z_T \rightarrow Z_M \rightarrow Z_Y$.
   • Modèles : Deux modèles de régression ont été ajustés pour chaque combinaison de dimension d'exposition, de médiateur et de résultat : un modèle de médiateur ($Z_M = \alpha_0 + a Z_T + \gamma^T W + \epsilon$) et un modèle de résultat ($Z_Y = \beta_0 + c' Z_T + b Z_M + \delta^T W + \epsilon$), où $W$ représente les covariables (démographiques, de laboratoire, comportementales, génomiques).
   • Estimation de l'Effet : Les Effets Indirects Naturels (NIE) ont été estimés en utilisant l'approche du produit des coefficients ($NIE = a \times b$).
   • Portée : L'étude a évalué 800 voies de médiation candidates ($4 \times 20 \times 10$).
   • Contrôles Statistiques : Le taux de fausses découvertes (FDR) a été contrôlé à l'aide de la procédure de Benjamini–Hochberg. La voie la plus forte a été validée davantage par rééchantillonnage par bootstrap non paramétrique.

Résultats Clés
La cohorte analytique finale comprenait 20 804 participants avec des données multimodales complètes.

• Concentration des Voies : Les signaux de médiation n'étaient pas diffus mais concentrés au sein d'un petit nombre de dimensions latentes.
• Voie Dominante : L'association indirecte la plus forte a été identifiée dans la voie $Z_{T2} \rightarrow Z_{M13} \rightarrow Z_{Y9}$, avec un NIE estimé de 0,002517.
  • Exposition ($Z_{T2}$) : Représente le désavantage socio-économique, caractérisé par un faible revenu et un faible niveau d'instruction.
  • Médiateur ($Z_{M13}$) : Représente une dimension de vulnérabilité psychosociale latente, caractérisée par une moins bonne santé mentale, une plus grande solitude, un faible bien-être social et une faible littératie en santé. Cette dimension a également montré des associations avec des indicateurs cardiométaboliques (hypertension, diabète, hyperlipidémie).
  • Résultat ($Z_{Y9}$) : Représente une dimension de multimorbidité cardiométabolique, associée à l'hypertension, au diabète, à l'hyperlipidémie, à l'obésité, à l'insuffisance rénale chronique et aux maladies cardiaques.
• Stabilité : L'analyse par bootstrap de la voie dominante a produit un NIE de 0,00291 (IC à 95 % : 0,00243–0,00344), soutenant la stabilité du résultat.
• Structure de Réseau : Les réseaux de cooccurrence de maladies dans le sous-groupe de haute multimorbidité présentaient une modularité significativement plus élevée (0,694) par rapport à la cohorte complète (0,116), indiquant une séparation plus forte entre les communautés de maladies chez les individus présentant plusieurs pathologies.

Signification et Revendications
L'article revendique deux contributions principales :

1. Éclairage Substantiel : L'étude identifie la vulnérabilité psychosociale comme une composante fortement représentée dans la voie latente dominante reliant le désavantage socio-économique à la multimorbidité cardiométabolique. Cela suggère que des facteurs tels que la santé mentale, la solitude et la littératie en santé agissent comme des intermédiaires critiques dans la relation entre les conditions sociales et les charges de maladies complexes.
2. Avancée Méthodologique : Le cadre proposé démontre comment l'apprentissage de représentations piloté par l'IA (spécifiquement les VAE multimodaux) peut être utilisé pour étudier les relations complexes à travers des données de santé multimodales et de haute dimension. En intégrant divers types de données dans un espace latent unifié, l'approche permet l'exploration de voies complexes sans nécessiter que les chercheurs spécifient a priori des médiateurs ou des résultats individuels.

Limites et Mises en Garde
Les auteurs déclarent explicitement que l'analyse est observationnelle et ne peut établir d'effets de médiation causaux. Les termes « Effet Indirect Naturel » et « Effet Direct Naturel » sont utilisés comme étiquettes pour des quantités de décomposition de régression dans l'espace latent, et non comme des effets identifiés causalement. De plus, l'étude note que les dimensions latentes sont des constructions apprises nécessitant une interprétation via des corrélats, et que la réduction de la taille de l'échantillon due à l'intégration des cas complets peut introduire un biais de sélection. Les résultats représentent des associations indirectes structurées plutôt que des preuves de causalité.