Subtyping patients with chronic disease using longitudinal BMI patterns

Sintesi Tecnica: Sottotipizzazione dei Pazienti con Malattie Croniche tramite Pattern Longitudinali del BMI

Problema
L'obesità è un fattore di rischio ben consolidato per le principali malattie croniche, tra cui diabete, cancro e condizioni cardiovascolari. Sebbene la relazione tra obesità e queste malattie sia stata ampiamente studiata utilizzando misurazioni del BMI trasversali (dati di un singolo punto temporale), il ruolo delle traiettorie longitudinali del BMI (modelli di variazione del peso nel tempo) rimane sottoutilizzato, in particolare su larga scala. La letteratura esistente suggerisce che i pattern storici di obesità siano critici per comprendere il rischio di malattia, tuttavia i metodi predittivi tradizionali spesso non riescono a catturare queste dinamiche temporali, mentre gli approcci avanzati di deep learning sono frequentemente privi di interpretabilità. Questo studio affronta tale lacuna indagando se i soli pattern longitudinali dell'obesità possano predire il rischio futuro di sviluppare 18 malattie croniche maggiori e sottotipizzando i pazienti in base a tali pattern.

Metodologia
Lo studio ha utilizzato un ampio dataset di Cartelle Cliniche Elettroniche (EHR) geograficamente diversificato proveniente dal sistema athenahealth, che copre circa 1,53 milioni di individui (dopo aver filtrato per visite multiple) in un periodo di sei anni (2013–2018).

1. Definizione della Coorte: I ricercatori hanno definito 18 coorti separate, una per ogni principale malattia cronica (ad es., diabete, ictus, Alzheimer, cancro, ipertensione). Ogni coorte includeva pazienti diagnosticati con la specifica malattia e un numero uguale di controlli sani selezionati casualmente. È stata analizzata anche una coorte combinata di pazienti con una qualsiasi delle 18 malattie.
2. Ingegneria delle Caratteristiche (Feature Engineering): Per catturare i pattern temporali dell'obesità mantenendo l'interpretabilità, sono state ingegnerizzate nove nuove caratteristiche derivate dalle traiettorie del BMI individuale:
   • Media Ponderata del BMI: Tiene conto degli intervalli di tempo irregolari tra le visite.
   • Trend: La media ponderata delle differenze tra i valori di BMI consecutivi (prima derivata).
   • Conteggio Normalizzato di Incrementi e Decresti (Up-Count e Down-Count): Misura la frequenza dei cicli di aumento e perdita di peso (cicli di peso).
   • BMI Massimo: Il valore di BMI più alto registrato.
   • Variazione Massima del BMI: Il maggiore picco o calo tra visite consecutive.
   • Categorie di BMI Iniziale e Finale: Variabili categoriche che indicano la classificazione del BMI (ad es., sottopeso, obeso) all'inizio e alla fine del periodo di osservazione.
   • BMI Mediano: La tendenza centrale della traiettoria.
3. Clustering (Sottotipizzazione): L'algoritmo k-means è stato applicato a ciascuna coorte utilizzando le nove caratteristiche ingegnerizzate. Il numero ottimale di cluster è stato determinato utilizzando il metodo del gomito (elbow method), e la qualità del cluster è stata validata utilizzando i punteggi Silhouette e Calinski-Harabasz. Gli autori hanno confrontato il k-means con il clustering gerarchico e il Deep Temporal Clustering (DTC), riscontrando che il k-means produceva i cluster più distinti e non sovrapposti.
4. Analisi: I cluster identificati sono stati analizzati per caratteristiche demografiche (età, genere, razza), socioeconomiche (reddito, assicurazione) e fisiologiche (HbA1c, pressione sanguigna, LDL). I rischi relativi di incidenza della malattia sono stati calcolati per i cluster dominati da casi positivi rispetto ai casi negativi.

Contributi Chiave

• Set di Caratteristiche Interpretabili: Gli autori hanno definito una serie di nove caratteristiche interpretabili e basate sull'evidenza derivate dai valori longitudinali del BMI. A differenza dei metodi di regressione che possono perdere i pattern temporali o dei modelli di deep learning che agiscono come "scatole nere", queste caratteristiche catturano esplicitamente il trend, la stagionalità e l'irregolarità nei dati del BMI.
• Validazione della Rilevanza Temporale: Lo studio ha dimostrato che le caratteristiche che catturano i pattern temporali del BMI sono direttamente associate all'incidenza di specifiche malattie, tra cui obesità, diabete, cancro, ipertensione, ictus, demenza e altre.
• Sottotipizzazione dei Pazienti: La ricerca ha identificato con successo sottotipi di pazienti distinti (cluster) per otto delle 18 malattie studiate. Questi sottotipi presentano pattern distinguibili di incidenza della malattia e sono caratterizzati da profili demografici, socioeconomici e fisiologici unici.

Risultati
L'analisi del clustering ha rivelato pattern distinti e rilevanti in 8 delle 18 coorti di malattie croniche. Le restanti 10 malattie non hanno mostrato sottotipi distinti legati al BMI, potenzialmente a causa di un numero insufficiente di casi positivi o dell'assenza di un segnale forte basato solo sul BMI.

• Diabete: Due cluster (2 e 3) hanno mostrato un'alta concentrazione di pazienti diabetici (60,83% e 57,28%, rispettivamente). Questi gruppi erano caratterizzati da maggiori rischi fisiologici (HbA1c elevata, pressione sanguigna, LDL), reddito inferiore e trend del BMI che rimanevano sopra 30 con scarso declino.
• Cancro: Il Cluster 2 mostrava un rischio maggiore di cancro (59,68% positivo) con trend di BMI elevati (>40), mentre il Cluster 3 comprendeva principalmente individui sani ma con misurazioni fisiologiche peggiori e un trend di BMI inferiore.
• Ipertensione: Il Cluster 5 mostrava un rischio di ipertensione 1,66 volte superiore rispetto al Cluster 2. Il Cluster 5 presentava trend di BMI più elevati, reddito inferiore e una maggiore proporzione di pazienti neri o afroamericani.
• Alzheimer/Demenza: I cluster 2 e 3, composti da adulti anziani con alti trend di BMI o BMI elevato costante, hanno mostrato rischi significativamente più elevati (2,93 e 2,51 volte) rispetto al Cluster 1.
• Obesità: La coorte dell'obesità ha mostrato i pattern più distinti. I cluster 2 e 3 presentavano rischi di obesità estremamente elevati (29,7 e 32,87 volte superiori rispetto al Cluster 1) e sono caratterizzati da individui giovani/di mezza età con LDL e pressione sanguigna elevati.
• Frattura dell'Anca/Osteoporosi: È stata osservata una relazione inversa; i cluster con un numero maggiore di casi positivi (fratture) presentavano comparativamente misurazioni fisiologiche più sane, mentre i cluster con condizioni di salute peggiori presentavano meno casi positivi.
• Coorte Combinata: L'analisi dei pazienti con una qualsiasi delle 18 malattie ha rivelato che i cluster malati presentavano generalmente misurazioni fisiologiche peggiori e redditi inferiori rispetto alla coorte asintomatica (sana), con significative disparità razziali e geografiche.

Significatività e Rivendicazioni
Il documento sostiene che i pattern longitudinali del BMI da soli possono sottotipizzare efficacemente gli individui a rischio per specifiche malattie croniche, ristabilendo la relazione diretta tra le traiettorie dell'obesità e malattie come diabete, ipertensione e demenza. Lo studio evidenzia che la sottotipizzazione dei pazienti basata sulle traiettorie del BMI propugna il ruolo dell'obesità come fattore nelle principali malattie croniche, rivelando sottogruppi distinti con specifiche caratteristiche demografiche e fisiologiche.

Gli autori mantengono una posizione modesta, osservando che, sebbene i pattern del BMI siano significativi, le malattie croniche derivano da interazioni complesse di molte altre covariate. Essi riconoscono i limiti, tra cui la mancanza di coorti separate per maschi e femmine per preservare la dimensione del campione e la dipendenza da caratteristiche interpretabili piuttosto che da modelli di deep learning più complessi e meno interpretabili (come RNN o transformer) che potrebbero rivelare pattern nascosti se disponessero di dataset più ampi. Lo studio conclude che questi risultati supportano le linee guida esistenti (ad es., lo screening per il diabete negli individui in sovrappeso tra i 40 e i 59 anni) e suggeriscono che la ricerca futura dovrebbe esplorare i trend del BMI in combinazione con altre covariate.