Riepilogo Tecnico: DiffDT – Unire Modelli Generativi di Eventi Sanitari con Gemelli Digitali dei Determinanti Sociali della Salute

1. Definizione del Problema

I modelli generativi attuali per la previsione delle malattie si basano principalmente sulle Cartelle Cliniche Elettroniche (EHR) e su rappresentazioni a livello di evento (ad es. codici ICD) per modellare la progressione della malattia come un problema di previsione del token successivo utilizzando architetture autoregressive (AR). Sebbene efficaci nel catturare i modelli di utilizzo delle risorse sanitarie, questi metodi affrontano due limitazioni critiche:

1. Mancanza di Fondamento Fisiologico: Mancano di misurazioni dirette dei processi fisiologici sottostanti (biomarcatori) per calibrare le incertezze, limitando la loro capacità di modellare l'eziologia biologica della malattia.
2. Modellazione Inadeguata dei Determinanti Sociali della Salute (SDoH): I modelli esistenti spesso ignorano o rappresentano in modo inadeguato gli SDoH. Anche quando utilizzano proxy codificati ICD (Capitoli Z e V–Y nell'ICD-10), non riescono a modellare esplicitamente come questi fattori interagiscono con i dati dei sensori multi-organo per influenzare le traiettorie della malattia.

Inoltre, gli attuali approcci ai Gemelli Digitali (DT) si concentrano spesso sulla simulazione fisica specifica del soggetto o sull'estrazione di rappresentazioni statiche, ma mancano della capacità di modellare la catena causale longitudinale in cui la storia medica passata plasma lo stato fisiologico corrente, che a sua volta media l'insorgenza futura della malattia.

2. Metodologia: Il Framework DiffDT

Gli autori propongono DiffDT, un framework di apprendimento integrato che combina un modello AR guidato da eventi con un framework di diffusione latente condizionale. L'innovazione principale consiste nel modellare il ragionamento sulla malattia come un'inferenza di mediazione probabilistica: $P(\text{Futuro} | \text{Biomarcatore}) \cdot P(\text{Biomarcatore} | \text{Storia})$.

2.1 Tokenizzazione Adattiva della Storia Medica e Backbone AR

Per gestire la risoluzione temporale irregolare dei dati EHR, gli autori propongono una strategia di tokenizzazione adattiva:

• Viene costruita una griglia temporale unificata che copre l'intervallo di età della coorte, consentendo eventi simultanei.
• Un modello AR basato su Transformer ($\phi$) viene pre-addestrato su oltre 500.000 soggetti per apprendere embedding consapevoli della causalità. Prevede il prossimo token ICD basandosi sulla storia degli eventi e sugli embedding dell'età.
• Questo modello AR funge da meccanismo di condizionamento, codificando la storia medica passata in una rappresentazione latente ($\hat{y}$) che guida la generazione dei gemelli digitali.

2.2 Generazione di Gemelli Digitali Multi-Organo tramite Diffusione

Il framework genera "Gemelli Digitali" (DT) sintetici che rappresentano lo stato fisiologico di più organi (cervello, cuore, fegato, rene) condizionati alla storia medica.

• Biomarcatori Tabulari (Cuore, Fegato, Rene):

  • Viene impiegato un modello di diffusione ibrido a tempo continuo per dati tabulari (ad es. spessore della parete miocardica).
  • Utilizza un'Equazione Differenziale Stocastica (SDE) con formulazione a Esplosione di Varianza (VE) per le variabili continue e una diffusione a spazio degli stati discreto (processo assorbente) per le variabili categoriche.
  • La Guida Senza Classificatore (CFG) viene adattata per condizionare la generazione sulle sequenze ICD osservate, consentendo l'imputazione di tratti organici mancanti basati sulla storia medica.

• Biomarcatori Topologici (Reti Cerebrali):

  • La connettività funzionale cerebrale è rappresentata come matrici Simmetriche Definite Positive (SPD), che risiedono su una varietà Riemanniana. La diffusione euclidea standard corrompe questa struttura geometrica.
  • SPD-VQVAE: Gli autori introducono un Variational Autoencoder Quantizzato vettorialmente costruito sulla decomposizione di Cholesky.
    • Il Teorema 1 stabilisce che la decomposizione di Cholesky è un diffeomorfismo che mappa la varietà SPD ($\mathcal{S}^N_{++}$) sulla varietà delle matrici triangolari inferiori con diagonali positive ($\mathcal{L}^N_{++}$).
    • L'encoder mappa la matrice SPD in uno spazio latente discreto, e il decoder ricostruisce la matrice prevedendo il fattore di Cholesky ($L$) e calcolando $\hat{M} = \hat{L}\hat{L}^\top$. Ciò garantisce che i DT generati risiedano matematicamente sulla corretta varietà SPD senza incorrere nella complessità $O(N^3)$ associata alle decomposizioni spettrali.
  • LDM Condizionale di Cholesky: Un Modello Probabilistico di Diffusione Denoising (DDPM) opera in questo spazio latente. Utilizza l'attenzione incrociata per incorporare il contesto della storia medica ($\hat{y}$) dal modello AR, consentendo la sintesi di stati di rete cerebrale personalizzati.

2.3 Inferenza Predittiva

Durante l'inferenza, la pipeline opera sequenzialmente:

1. Il modello AR codifica la sequenza ICD passata.
2. I modelli di diffusione generano stati ipotetici di DT multi-organo per il prossimo passo temporale.
3. Un Modello Fondamentale (FM) fine-tunato analizza il DT generato per prevedere l'insorgenza di malattie future (prossimo token ICD).

3. Contributi Chiave

1. SPD-VQVAE: Un'architettura innovativa per generare la connettività funzionale cerebrale che rispetta la geometria non euclidea delle varietà SPD utilizzando la decomposizione di Cholesky, consentendo una diffusione computazionalmente trattabile ($O(N^2)$ o inferiore) su dati di neuroimmagine ad alta dimensionalità.
2. LDM di Cholesky con Doppio Decoder: Un modello di diffusione latente condizionale che garantisce che i gemelli digitali generati risiedano sulla varietà SPD senza costi $O(N^3)$, accoppiato a un'architettura a due rami per catturare sia i pattern di frequenza a basso passaggio che quelli ad alto passaggio nelle reti cerebrali.
3. Meccanismo di Mediazione Probabilistica: Un framework che collega eventi clinici discreti (ICD) e varietà fisiologiche continue, consentendo un ragionamento sulla malattia a più percorsi in cui i proxy degli SDoH condizionano la generazione degli stati fisiologici.
4. Tokenizzazione Adattiva: Un metodo per standardizzare le cronologie EHR irregolari per il condizionamento dei modelli di diffusione.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti sul dataset UK Biobank (UKB), comprendente:

• Coorte: 44.834 tratti cerebrali, 23.987 cardiaci, 28.722 epatici e 32.155 renali.
• Storia: Quasi 500.000 sequenze di storia medica (età 25–89) codificate con ICD-10.

4.1 Previsione della Prossima Malattia

• Prestazioni: DiffDT ha superato significativamente i modelli AR all'avanguardia (Delphi) e i modelli fondamentali (BrainMass, NeuroPath).
• Metriche: Su un vocabolario di 1.944 codici ICD, DiffDT ha raggiunto un AUC di 0,9171 (utilizzando il backbone Qwen3) rispetto allo 0,8931 di Delphi.
• Distanza Semantica: A differenza delle baseline le cui prestazioni peggiorano con l'aumentare della distanza semantica tra malattie passate e future, DiffDT ha mantenuto prestazioni robuste, in particolare per coppie di malattie fuori diagonale (mediazione a più percorsi).
• Mediazione Specifica per Organo: Utilizzando DT specifici per organo come mediatori, DiffDT ha costantemente raggiunto i punteggi F1 più alti (ad es. 65,14% per le previsioni mediate dal cervello contro il 56,53% per NeuroPath).

4.2 Generazione di Gemelli Digitali

• Dati Tabulari: Ha raggiunto bassi RMSE e Distanza di Wasserstein (WD) tra i tratti cardiaci, epatici e renali.
• Dati Topologici: La variante SPD-VQVAE-Dual ha raggiunto la massima accuratezza media (98,36%) nella previsione topologica (classificazione degli spigoli) e l'errore di ricostruzione più basso, superando le baseline VQVAE standard e SPD-DDPM.
• Controfattuali: Negli esperimenti controfattuali (sostituendo un codice di malattia con "sano"), i DT generati erano significativamente più vicini a soggetti sani reali rispetto a soggetti malati (FID $p=2,5\times 10^{-5}$), confermando la significatività biologica.
• Mediazione Causale: DiffDT ha ridotto l'errore medio assoluto dell'Effetto Medio del Trattamento (ATE) di oltre la metà rispetto a Delphi, supportando il suo ruolo come mediatore biologico valido.

4.3 Efficienza Computazionale

• L'LDM di Cholesky evita la complessità $O(N^3)$ delle operazioni SPD standard.
• L'inferenza end-to-end (generazione di un DT e previsione della prossima malattia) richiede circa 1,2 secondi per soggetto su una singola GPU NVIDIA RTX 6000 Ada.

5. Significato e Affermazioni

Il documento afferma che DiffDT rappresenta un passo significativo in avanti nel ragionamento personalizzato sulle malattie attraverso:

• Colmare il Divario: Collegare con successo eventi clinici discreti (EHR) con stati fisiologici continui e multi-organo (Gemelli Digitali).
• Migliorare la Comprensione Eziologica: Andare oltre la modellazione dei modelli di utilizzo delle risorse sanitarie per catturare la mediazione biologica della progressione della malattia attraverso dati derivati dai sensori.
• Scalabilità: Fornire un metodo computazionalmente efficiente per generare dati topologici ad alta dimensionalità (reti cerebrali) che rispettano i vincoli geometrici.

Limitazioni Riconosciute dagli Autori:

• Bias dei Dati: Il UK Biobank presenta un "bias del volontario sano", richiedendo una ricalibrazione prima del dispiegamento in coorti epidemiologiche diverse.
• Dati Longitudinali: Le immagini UKB sono prevalentemente trasversali; le traiettorie individuali di malattia si basano sull'interpolazione a livello di popolazione piuttosto che su evidenze longitudinali per soggetto.
• Portata degli SDoH: I proxy "SDoH" attuali sono limitati ai capitoli codificati ICD (Z, V–Y) e non assimilano misurazioni sociali, economiche o ambientali dirette.
• Guadagni Modesti: Sebbene DiffDT fornisca miglioramenti coerenti, i guadagni dal modulo di mediazione sono modesti rispetto alla semplice scalatura del backbone AR (ad es. passare da GPT2 a Qwen3.5), sebbene l'effetto di mediazione rimanga complementare.

Gli autori concludono che, sebbene DiffDT faccia avanzare il campo integrando la modellazione generativa con i gemelli digitali per il ragionamento sulle malattie, un "vero gemello digitale dei determinanti sociali" rimane un obiettivo futuro che richiede l'integrazione di dati multimodali ad alta risoluzione.