Timesynth: A Temporal Fidelity Framework for Health Signal Digital Twins

Résumé Technique : TimeSynth : Un cadre de fidélité temporelle pour les jumeaux numériques de signaux de santé

Énoncé du problème
Le développement de jumeaux numériques de signaux de santé — des systèmes de calcul spécifiques au patient qui prédisent les états biologiques futurs — repose sur des modèles de prévision de séries temporelles physiologiques. Cependant, les pratiques d'évaluation actuelles souffrent d'un fossé fondamental entre la précision de la prévision et la fidélité physiologique. Les métriques ponctuelles standard, telles que l'erreur quadratique moyenne (MSE) et l'erreur absolue moyenne (MAE), quantifient l'accord numérique mais ne parviennent pas à détecter la perte de propriétés dynamiques critiques, notamment la structure oscillatoire, le contenu fréquentiel, les relations de phase et les transitions d'état.

Les auteurs soutiennent que cette limitation crée un « angle mort » où des modèles présentant des erreurs ponctuelles comparables peuvent représenter le processus physiologique sous-jacent de manières radicalement différentes. Par exemple, un modèle peut reproduire avec précision l'amplitude du signal tout en dérivant de manière significative en phase ou en fréquence. Comme les enregistrements cliniques réels manquent de trajectoires de vérité terrain analytiquement connues pour l'amplitude, la fréquence et la phase, il est impossible de distinguer ces modes d'erreur spécifiques dans les données du monde réel. Par conséquent, les modèles peuvent paraître fiables selon les benchmarks standards tout en échouant à préserver le timing et le rythme essentiels pour des applications cliniques telles que la détection de l'arythmie ou la stadification du sommeil.

Méthodologie : Le cadre TimeSynth
Pour remédier à cela, les auteurs introduisent TimeSynth, un cadre de benchmarking contrôlé conçu pour évaluer la fidélité dynamique des architectures de prévision avant qu'elles ne soient couplées aux données des patients. Le cadre se compose de deux composantes principales :

1. Générateur synthétique à fondement physiologique :

   • Au lieu d'utiliser des données synthétiques arbitraires, le cadre ajuste des modèles paramétriques à forme fermée sur des enregistrements réels provenant de trois ensembles de données publics : MIT-BIH Arrhythmia (ECG), PPG-DaLiA (PPG/BVP) et CHB-MIT Scalp EEG (EEG).
   • Ces modèles paramétriques (Drift-Harmonic, Single Phase-Modulated, et Dual Phase-Modulated) génèrent des séries temporelles avec une vérité terrain analytiquement connue pour l'amplitude, la fréquence instantanée et la phase instantanée à chaque point temporel.
   • Le générateur supporte des perturbations contrôlées pour tester la résistance des modèles : bruit gaussien additif, décalages de distribution de fréquence, transitions d'état déterministes et commutation de Markov stochastique.

2. Diagnostics de fidélité :

   • Plutôt que de s'appuyer uniquement sur l'erreur agrégée, TimeSynth emploie des diagnostics distincts pour quantifier quatre dimensions de la fidélité : la préservation de l'Amplitude, de la Fréquence, de la Phase et des Transitions d'état.
   • L'erreur de phase est calculée via le signal analytique (transformée de Hilbert), et l'erreur de fréquence est dérivée de l'affinement du pic du spectre de puissance. La fidélité de la transition d'état est évaluée à l'aide d'une sonde HMM (Modèle de Markov Caché) gaussienne à deux états standardisée pour mesurer la récupération des statistiques de commutation via la divergence de Kullback-Leibler (KL) symétrique.

Configuration expérimentale
Le cadre a été utilisé pour évaluer 11 architectures de prévision couvrant quatre familles de biais inductifs :

• Linéaire : Linear, DLinear, FITS.
• Basée sur MLP : MLinear, NBeats, FreMLP.
• Convolutionnelle/basée sur des patches : MICN (variantes Regre et Mean), ModernTCN, PatchTST.
• Attention à séquence complète : Transformer, Autoformer.

Les modèles ont été testés à travers cinq paradigmes : reconstruction propre, corruption par le bruit, décalage de distribution de fréquence, transitions d'état déterministes et commutation de Markov stochastique.

Résultats clés
L'étude révèle une dissociation systématique entre la précision ponctuelle et la fidélité dynamique :

• Les métriques ponctuelles induisent en erreur : Des modèles présentant des MAE comparables affichaient des erreurs de phase différant jusqu'à 53° (environ 123 ms pour un rythme cardiaque de 1,2 Hz). Les modèles linéaires et ceux à attention de séquence complète atteignaient souvent de faibles MAE tout en perdant une partie significative de l'information de phase et de fréquence.
• La localité préserve la fidélité : Les architectures dotées d'un traitement temporel localisé (PatchTST, MICN, ModernTCN) préservaient systématiquement la structure oscillatoire, la phase et la fréquence sous l'effet du bruit et des décalages de distribution. En revanche, les mappages globaux et les modèles à attention de séquence complète (Transformer, Autoformer) se dégradaient fréquemment, particulièrement sous une modulation multifréquence.
• Vitesse d'adaptation : Dans les transitions d'état déterministes, les modèles localisés (PatchTST et ModernTCN) se sont adaptés aux nouveaux états en 6 pas de temps (0,6 s à 10 Hz), tandis que les modèles à attention de séquence complète nécessitaient environ 40 pas de temps (4 s) pour récupérer, car l'attention globale diffuse les preuves de transition à travers le contexte.
• Limitation de la commutation stochastique : Aucune architecture n'a préservé de manière fiable la dynamique de commutation stochastique. Bien que PatchTST ait montré une récupération partielle dans les régimes de commutation à haute probabilité, les préviseurs ponctuels déterministes ont généralement échoué à reproduire les statistiques de transition de la vérité terrain, suggérant une limitation fondamentale des approches déterministes actuelles pour les processus physiologiques stochastiques.
• Analyse de Pareto : PatchTST est apparu comme le seul modèle dépassant un score normalisé de 0,8 sur les cinq dimensions d'évaluation (propre, bruit, décalage, transition, et fidélité de Markov), démontrant la performance la plus équilibrée.

Signification et affirmations
L'article positionne TimeSynth non pas comme un outil pour trouver un seul « meilleur » modèle, mais comme un cadre de principe piloté par l'usage pour la sélection et la vérification des modèles. Les auteurs affirment que :

1. Écart de vérification : Le développement actuel des jumeaux numériques manque de cadres pour vérifier que les prédictions préservent un comportement physiologiquement significatif. TimeSynth fournit le « test de stress préclinique contrôlé » requis par les Académies nationales des sciences, d'ingénierie et de médecine (NASEM) pour la vérification, la validation et la quantification de l'incertitude (VVUQ).
2. Déterminisme architectural : Le déterminant dominant de la fidélité est l'architecture. Le choix du modèle doit être dicté par les propriétés dynamiques spécifiques requises par le cas d'utilisation (par exemple, la robustesse au bruit pour la surveillance ambulatoire versus l'adaptation rapide pour les changements d'état en soins intensifs) plutôt que par une recherche d'un vainqueur universel basé sur l'erreur agrégée.
3. Infrastructure de développement : TimeSynth offre une infrastructure réutilisable pour un développement conscient de la fidélité, permettant la génération de signaux de vérité terrain contrôlés pour le pré-entraînement et fournissant des diagnostics interprétables pour identifier quelles propriétés dynamiques une architecture préserve ou détruit.

Les auteurs concluent que, bien que le traitement temporel localisé (particulièrement PatchTST) offre actuellement le candidat le plus solide pour les jumeaux numériques de signaux de santé, l'incapacité de toute architecture actuelle à capturer de manière fiable la commutation stochastique indique la nécessité de futurs modèles dotés de mécanismes probabilistes ou d'états latents explicites.