Sintesi Tecnica: Correzione del Bias Diagnostico Eterogeneo Utilizzando Modelli di Markov Nascosti Causali

Enunciato del Problema

I modelli di previsione clinica sviluppati utilizzando cartelle cliniche elettroniche (EHR) di routine soffrono spesso di bias diagnostico eterogeneo. Nella cura di routine, gli individui identificati come ad alto rischio (a causa di fattori clinici) o appartenenti a specifici gruppi demografici (ad esempio, sesso, etnia, status socioeconomico) vengono sottoposti a test più frequentemente rispetto ad altri. Ciò comporta un ritardo diagnostico differenziale, dove certi gruppi ricevono una diagnosi in ritardo o vengono sottodiagnosticati rispetto a quanto accadrebbe in condizioni di test paritarie.

Di conseguenza, i modelli addestrati su tali dati apprendono a prevedere il tasso di diagnosi osservato piuttosto che il vero rischio di malattia sottostante. Ciò porta a una sottostima sistematica del rischio per i gruppi sottodiagnosticati, causando errori di calibrazione e potenziali ingiustizie nel processo decisionale clinico. Gli approcci standard spesso falliscono nell'affrontare questo problema perché lo stato di malattia "vero" non è osservato per gli individui non diagnosticati, e il bias è guidato dall'interazione tra gli attributi del paziente e il comportamento di test del sistema sanitario.

Metodologia

Gli autori propongono un framework di inferenza causale che utilizza un Modello di Markov Nascosto (HMM) per correggere tale bias. L'approccio comprende tre componenti principali:

1. Modellazione Causale tramite Grafi Aciclici Diretti (DAG)

Gli autori definiscono un DAG in cui:

• $X_n$: Covariate di base (fattori di rischio).
• $A_n$: Attributi di osservabilità (ad esempio, sesso, etnia, comorbidità) che influenzano sia il rischio di malattia sia la probabilità di sottoporsi a test.
• $\tilde{A}_n$: La presentazione di $A_n$ che influisce specificamente sulla decisione di testare, condizionata allo stadio della malattia.
• $S_{n,t}$: Stadio latente della malattia (0: Nessuna malattia, 1: Stadio iniziale, 2: Stadio avanzato).
• $R_{n,t}$: Risultati del test (Negativo, Positivo iniziale, Positivo tardivo, o Nessun test).
• $D_{n,t}$: Diagnosi (si verifica se un test è positivo).

L'obiettivo è stimare un estimando controfattuale: la probabilità di diagnosi $P(D_{n,T}^{\tilde{A}_n=0} = 1 | X_n, A_n)$, che rappresenta il rischio se l'individuo fosse soggetto al tasso di test di un gruppo di riferimento (tipicamente il gruppo con i ritardi diagnostici più brevi), mantenendo la propria progressione della malattia e i propri fattori di rischio effettivi.

2. Formulazione del Modello di Markov Nascosto

Il processo longitudinale della malattia è modellato come un HMM con:

• Nucleo di Transizione ($Q$): Definisce la probabilità di passare tra gli stadi della malattia (0 $\to$ 1 $\to$ 2). Assume una malattia progressiva in cui la regressione è impossibile. La transizione da "Nessuna malattia" a "Stadio iniziale" è governata da una funzione di rischio $h(X_n, A_n, t)$, mentre la transizione da "Iniziale" a "Avanzato" è una probabilità costante $\beta_{S=1 \to 2}$.
• Probabilità di Emissione ($\Gamma$): Definisce la probabilità di osservare un risultato del test $R_{n,t}$ dato lo stadio latente $S_{n,t}$ e l'attributo di osservabilità $A_n$. Crucialmente, i tassi di test per la malattia in stadio iniziale ($\beta_{S=1, A_n}^R$) sono consentiti a variare in base a $A_n$, catturando l'eterogeneità diagnostica. I tassi di test per lo stadio avanzato sono assunti indipendenti da $A_n$ a causa dei sintomi gravi.
• Stato Iniziale ($\pi$): La distribuzione di probabilità dello stadio della malattia alla baseline.

I parametri del modello sono stimati tramite massima verosimiglianza utilizzando un algoritmo in avanti e ottimizzazione basata su gradienti (L-BFGS in PyTorch), marginalizzando sugli stati latenti non osservati.

3. Imputazione dell'Esito Controfattuale

Una volta adattato l'HMM, il metodo genera un dataset controfattuale per addestrare un modello di previsione standard:

1. Ricostruzione: L'HMM stima la probabilità della traiettoria della malattia latente per ciascun individuo dato il proprio storico di test osservato.
2. Intervento: Le probabilità di emissione sono modificate per riflettere il tasso di test del gruppo di riferimento ($\tilde{A}_n = 0$).
3. Imputazione: Vengono calcolate le probabilità di diagnosi controfattuali ($p_{n,T}^{cf}$). Per evitare di inflazionare l'incidenza, gli autori applicano un'assunzione di monotonia: se un individuo è stato diagnosticato nella realtà ($D=1$), rimane diagnosticato nel controfattuale ($D^{cf}=1$). Solo gli individui non diagnosticati ($D=0$) nel gruppo sottodiagnosticato vengono reimputati in base alla loro probabilità controfattuale.
4. Ricalibrazione: Le probabilità controfattuali per i casi reimputati vengono ridimensionate per garantire che l'incidenza controfattuale totale corrisponda all'incidenza della popolazione controfattuale stimata.
5. Addestramento: Un modello di regressione logistica standard viene addestrato su questo dataset reimputato per prevedere l'esito controfattuale.

Contributi Chiave

• Framework HMM Causale: Il documento introduce una nuova applicazione degli HMM causali per modellare esplicitamente e correggere il ritardo diagnostico differenziale nelle malattie progressive, andando oltre la semplice correzione delle etichette.
• Identificabilità e Robustezza: Attraverso simulazioni, gli autori dimostrano che i parametri dell'HMM sono identificabili e che l'approccio rimane robusto anche quando le assunzioni (come la sensibilità perfetta del test o tassi di progressione uniformi) vengono violate.
• Applicazione nel Mondo Reale: Il metodo è stato applicato a un ampio dataset del UK Biobank per prevedere l'incidenza a 5 anni della Malattia Renale Cronica (CKD), correggendo con successo il bias in più sottogruppi.
• Equità Centrata sui Dati: L'approccio si allinea con l'"equità centrata sui dati" modellando i meccanismi di registrazione dei dati (comportamento di test) che generano il bias, piuttosto che semplicemente rimuovere gli attributi protetti dal modello.

Risultati

Studi di Simulazione

In simulazioni con 50.000 pazienti, il metodo proposto ha superato significativamente i modelli standard "Naïve" (addestrati su dati osservati) e "Blind" (addestrati senza attributi protetti):

• Calibrazione: Il rapporto Osservato:Atteso (O:E) per il gruppo sottodiagnosticato è migliorato da 1,34 (Naïve) a 1,02 (Proposto), indicando una calibrazione quasi perfetta.
• Robustezza: Anche quando le assunzioni sono state violate (ad esempio, sensibilità del test imperfetta o tassi di progressione variabili), il metodo proposto ha mantenuto una calibrazione migliore rispetto ai modelli standard, sebbene il bias nella stima dei parametri sia aumentato.

Caso di Studio: Malattia Renale Cronica (CKD)

Utilizzando 123.460 individui dal UK Biobank:

• Eterogeneità Diagnostica: L'HMM ha identificato il diabete come il principale motore dell'osservabilità (Odds Ratio: 10,36 per i tassi di test), seguito dall'ipertensione. Essere di sesso femminile era associato a tassi di test più bassi (OR: 0,69).
• Correzione del Bias:
  • Il modello Naïve ha sottostimato gravemente il rischio per i pazienti senza diabete (rapporto O:E: 1,55).
  • Il modello Imputato ha corretto ciò, ottenendo un rapporto O:E di 1,01 per il gruppo non diabetico, mantenendo al contempo la calibrazione per il gruppo diabetico (O:E: 1,01).
• Utilità Clinica: L'analisi della curva decisionale ha mostrato un beneficio netto migliorato in entrambi i gruppi, in particolare per la popolazione sottodiagnosticata, senza ridurre le prestazioni per i gruppi ben monitorati.
• Stratificazione del Rischio: Il modello corretto ha aumentato il rischio stimato per i pazienti senza diabete, riflettendo il loro vero rischio sottostante piuttosto che la loro minore probabilità di essere sottoposti a test.

Significato e Affermazioni

Gli autori affermano che il loro approccio offre un metodo teoricamente fondato e validato empiricamente per ridurre il bias e l'ingiustizia nei modelli di previsione clinica senza richiedere dati di incidenza esterni o assunzioni fisse sulla prevalenza della malattia.

Modellando esplicitamente il "processo diagnostico" come una variabile latente influenzata dagli attributi del paziente, il metodo consente di stimare il rischio in uno scenario controfattuale equo in cui i tassi di test sono equalizzati. Gli autori sottolineano che ciò porta a una stratificazione del rischio più accurata, garantendo che le popolazioni sottodiagnosticate non siano sistematicamente trascurate nella cura preventiva. Posizionano questo lavoro come un passo verso l'"equità centrata sui dati", affrontando le cause profonde del bias nei dati clinici di routine piuttosto che semplicemente mitigare i sintomi nel modello finale.

Il documento conclude con modestia, notando che, sebbene il metodo si basi su assunzioni specifiche (ad esempio, progressione markoviana, tassi di test costanti nello stadio avanzato), fornisce un framework flessibile che può essere esteso a traiettorie di malattia più complesse e a più tipi di test in lavori futuri.