Nationwide EHR-Based Chronic Rhinosinusitis Prediction Using Demographic-Stratified Models

Sintesi Tecnica: Predizione della Rinosinusite Cronica a Livello Nazionale Basata su Cartelle Cliniche Elettroniche (EHR) Utilizzando Modelli Stratificati per Demografia

Enunciato del Problema
La rinosinusite cronica (CRS) è un disturbo infiammatorio eterogeneo che colpisce circa l'11–12% della popolazione statunitense, imponendo un significativo carico di morbilità e oneri finanziari. L'identificazione precoce è difficile poiché i sintomi si sovrappongono a condizioni comuni come la rinite allergica, e la diagnosi formale richiede solitamente evidenze oggettive provenienti da endoscopia nasale o scansioni TC, non sempre disponibili negli ambulatori di medicina generale. Studi predittivi precedenti si sono basati su coorti di singole istituzioni, limitando la generalizzabilità a livello di popolazione, o hanno utilizzato modalità ad alta intensità di risorse come il sequenziamento genetico e l'imaging. Inoltre, gli approcci di machine learning esistenti spesso non tengono conto della marcata eterogeneità demografica nei fenotipi della CRS, come gli spostamenti patologici dipendenti dall'età e le differenze specifiche per sesso nella presentazione della malattia.

Metodologia
Gli autori hanno sviluppato un quadro predittivo utilizzando dati longitudinali nazionali da Cartelle Cliniche Elettroniche (EHR) del Programma di Ricerca "All of Us" degli NIH, standardizzati al Modello di Dati Comuni OMOP. La metodologia consta di tre componenti fondamentali:

1. Preprocessing dei Dati e Costruzione della Coorte:

   • Definizione dell'Obiettivo: I casi di CRS sono stati identificati utilizzando una strategia di fenotipizzazione basata su regole che richiedeva almeno due codici diagnostici qualificanti in un periodo di due anni. I controlli sono stati abbinati ai casi tramite punteggio di propensione in base a età, sesso, razza, etnia e frequenza delle visite per mitigare il bias di sorveglianza.
   • Ingegneria delle Caratteristiche: I registri transazionali grezzi sono stati trasformati in una rappresentazione delle caratteristiche basata sulla recenza. Per ogni variabile clinica (condizioni, farmaci, procedure), il valore della caratteristica rappresenta il numero di giorni tra l'evento più recente e la data indice. Gli eventi al di fuori della finestra biennale o mai verificatisi sono stati assegnati un valore sentinella (999.999) per permettere ai modelli basati su alberi di distinguere i dati mancanti senza imputazione.
   • Bilanciamento: È stata adottata una strategia di abbinamento 1:1 per vicinato più prossimo per creare una coorte bilanciata di 17.560 partecipanti (8.780 casi e 8.780 controlli).

2. Selezione Ibrida delle Caratteristiche:
   Per affrontare l'estrema sparsità e dimensionalità (oltre 110.000 codici candidati), è stata implementata una pipeline a due stadi:

   • Stadio 1 (Screening Grossolano Statistico): Le variabili sono state classificate in base alla differenza assoluta nella prevalenza tra casi e controlli ($|P_{target} - P_{control}|$). Le prime 1.100 caratteristiche (300 condizioni, 500 procedure, 300 farmaci) sono state mantenute.
   • Stadio 2 (Screening Raffinato Basato sul Modello): Un classificatore XGBoost globale ottimizzato è stato addestrato sulle 1.100 caratteristiche. Le caratteristiche sono state classificate in base all'importanza basata sul guadagno di informazione, e le prime 100 sono state selezionate. Questo sottoinsieme ha rappresentato l'80,6% del valore SHAP cumulativo totale, garantendo la preservazione del potere predittivo migliorando al contempo l'interpretabilità.

3. Modellazione Stratificata per Demografia:
   Riconoscendo che i fenotipi della CRS variano in base a sesso ed età, la coorte è stata suddivisa in sei strati mutualmente esclusivi: Maschio/Femmina incrociati con tre gruppi di età (18–40, 40–60, 60+). Sono stati addestrati sei modelli XGBoost indipendenti, uno per ogni strato. Ogni modello ha subito un'ottimizzazione indipendente degli iperparametri utilizzando l'algoritmo Bayesian Tree-structured Parzen Estimator (TPE) su 100 prove per massimizzare l'AUC-ROC.

Contributi Chiave

• Scala Nazionale: Ha sfruttato la diversità e la ricchezza della coorte "All of Us" per superare i limiti di generalizzabilità degli studi su singola istituzione.
• Selezione Ibrida delle Caratteristiche: Ha introdotto una pipeline che comprime oltre 110.000 codici clinici in 100 caratteristiche interpretabili, bilanciando la parsimonia con le prestazioni predittive.
• Stratificazione Demografica: Ha proposto un quadro di modellazione che tiene esplicitamente conto del dimorfismo sessuale dipendente dall'età nei fenotipi della malattia, addestrando sei modelli su misura invece di un unico modello globale.
• Applicabilità Clinica: Ha dimostrato che i dati EHR raccolti routinariamente possono supportare la stratificazione del rischio senza fare affidamento su imaging costoso o dati genetici.

Risultati
Il quadro XGBoost stratificato per demografia proposto ha raggiunto un'Area sotto la Curva (AUC) complessiva di 0,8461. Ciò ha rappresentato un miglioramento di 0,0168 rispetto al miglior baseline (un modello XGBoost globale con AUC 0,8293). Il metodo proposto ha anche superato i modelli Random Forest (0,8159), SVM (0,8120) e Deep Learning (0,8072).

Crucialmente, l'approccio stratificato ha migliorato la discriminazione in tutti e sei i sottogruppi, con guadagni AUC che vanno da +0,0076 a +0,0278. Il modello ha raggiunto una sensibilità di 0,6889, superando significativamente gli approcci standard di machine learning, il che è clinicamente vantaggioso per lo screening per garantire che i pazienti affetti non vengano trascurati.

L'analisi dell'importanza delle caratteristiche ha rivelato segnali biologici distinti tra i gruppi:

• Maschi: I modelli hanno dato priorità a caratteristiche strutturali e polipoidi (ad esempio, setto nasale deviato nei maschi più giovani, polipi nasali nei maschi più anziani).
• Femmine: I modelli hanno favorito marcatori di infiammazione mucosa e atopici (ad esempio, rinite allergica, asma e marcatori infettivi nelle femmine più anziane).

Significato
Il documento afferma che la modellazione esplicita dell'eterogeneità demografica produce guadagni misurabili nella predizione del rischio di CRS. Catturando i fattori di rischio specifici associati ai diversi sottogruppi sesso-età, il quadro offre uno strumento più accurato per la stratificazione del rischio rappresentativo della popolazione. Gli autori suggeriscono che questo approccio può facilitare una triage e una priorità di riferimento più precoci negli ambienti di medicina generale, in particolare quando l'imaging diagnostico non è disponibile, spostando il processo decisionale dall'impressione soggettiva alla predizione basata su evidenze. Il lavoro sottolinea l'utilità dei dati EHR routinari nell'identificare potenziali casi di CRS prima della valutazione specialistica.