A Unified Three-Stage Machine Learning Framework for Diabetes Detection, Subtype Discrimination, and Cognitive-Metabolic Hypothesis Testing

Riepilogo Tecnico: Un Framework Unificato a Tre Stadi per Machine Learning per la Rilevazione del Diabete, la Discriminazione dei Sottotipi e il Test di Ipotesi Cognitivo-Metaboliche

Enunciato del Problema
Gli attuali approcci di machine learning (ML) per la previsione del diabete mellito affrontano tre limitazioni primarie: (1) Incompletezza delle metriche, dove gli studi spesso privilegiano l'accuratezza rispetto a metriche clinicamente critiche come la recall e la ROC-AUC, rischiando di trascurare i falsi negativi; (2) Mancanza di discriminazione dei sottotipi, dove il diabete di Tipo 1 (T1DM) e di Tipo 2 (T2DM) vengono frequentemente confusi in un'unica classe binaria nonostante eziologie e necessità di gestione distinte; e (3) Connessioni cognitivo-metaboliche inesplorate, in particolare l'ipotesi del "Diabete di Tipo 3" (T3DM), che postula una via neurodegenerativa guidata dalla resistenza insulinica centrale, rimasta invariabilmente non testata computazionalmente su dati longitudinali pubblici.

Metodologia
Gli autori propongono un framework riproducibile a tre stadi che utilizza tre dataset distinti: il Dataset Diabete NCSU (coorte mista indiana), il Database Diabete Pima Indians (per il benchmarking) e il Dataset Cognitivo Longitudinale dell'Ohio (n=373).

• Stadio 1: Rilevazione Binaria del Diabete e Spiegabilità

  • Preprocessing dei Dati: I sintomi categoriali sono stati binarizzati; i valori zero fisiologicamente impossibili sono stati imputati con le mediane; gli outlier sono stati filtrati tramite IQR; e le caratteristiche sono state standardizzate.
  • Modellazione: Cinque classificatori supervisionati (SVM-RBF, Regressione Logistica, Random Forest, Extra Trees, Gradient Boosting) e un Ensemble di Stacking sono stati addestrati utilizzando una validazione incrociata stratificata a 5 fold.
  • Valutazione: I modelli sono stati valutati utilizzando sei metriche: Accuratezza, Accuratezza Bilanciata, Precisione, Recall, Punteggio F1 e ROC-AUC.
  • Spiegabilità: I valori SHAP (SHapley Additive exPlanations) sono stati calcolati utilizzando un TreeExplainer sul miglior ensemble ad albero per identificare i biomarcatori predittivi dominanti.

• Stadio 2: Clustering Non Supervisionato dei Sottotipi

  • Coorte: Limitata ai casi di diabete confermati (DO=1) dal dataset NCSU.
  • Caratteristiche: Glucosio, Insulina ed Età sono stati selezionati sulla base della rilevanza fisiologica per la differenziazione T1DM/T2DM.
  • Algoritmo: Il clustering K-Means è stato applicato con $k$ variabile da 2 a 8.
  • Validazione: Il valore ottimale di $k$ è stato determinato utilizzando tre indici di validità interna: Coefficiente di Silhouette, Indice Davies-Bouldin e Punteggio Calinski-Harabasz.

• Stadio 3: Test dell'Ipotesi T3DM

  • Ipotesi 1 (H1): Testata per differenze significative nel Controllo Glicemico tra tre gruppi cognitivi (Non demenzati, Demenzati, Convertiti) utilizzando l'ANOVA unidirezionale di Kruskal-Wallis.
  • Ipotesi 2 (H2): Testata per un'associazione monotona tra Controllo Glicemico e Funzione Cognitiva (COG-FUNC) utilizzando la correlazione di rango di Spearman, con correzione di Holm-Bonferroni applicata per confronti multipli.

Risultati Chiave

• Classificazione Binaria:

  • Prestazioni: SVM-RBF e Regressione Logistica hanno raggiunto la ROC-AUC più alta ($0,825 \pm 0,026$ e $0,825 \pm 0,034$, rispettivamente). Random Forest ha raggiunto la massima accuratezza grezza ($0,762$) ma la recall più bassa ($0,556$), indicando un alto tasso di casi di diabete mancati.
  • Set di Test: Sul set di test tenuto da parte, SVM-RBF ha raggiunto una recall di $0,741$ e una ROC-AUC di $0,800$.
  • Spiegabilità: L'analisi SHAP ha identificato Glucosio, BMI ed Età come i biomarcatori predittivi dominanti. Caratteristiche come Polifagia e Fumo hanno mostrato un contributo predittivo marginale ($|SHAP| < 0,05$).

• Clustering dei Sottotipi:

  • Validazione: È stata selezionata una soluzione a 2 cluster ($k=2$) basata su un punteggio di Silhouette di $\approx 0,116$ e sulla parsimonia clinica.
  • Profilo: Il Cluster 0 ha esibito una mediana di Insulina più bassa e un'età più giovane (allineandosi ai fenotipi T1DM), mentre il Cluster 1 ha mostrato una mediana di Insulina più alta e un'età più avanzata (allineandosi ai fenotipi T2DM). Gli autori notano che la separazione è moderata, riflettendo la sovrapposizione biologica tra i sottotipi.

• Associazione Cognitivo-Metabolica:

  • Differenze di Gruppo: Il test di Kruskal-Wallis non ha trovato differenze significative nel Controllo Glicemico tra i gruppi cognitivi ($p = 0,541$).
  • Correlazione: È stata trovata una correlazione positiva di Spearman statisticamente significativa tra Controllo Glicemico e Funzione Cognitiva ($\rho_s = 0,208, p = 5,29 \times 10^{-5}$). Questo risultato è sopravvissuto alla correzione di Holm ($p_{Holm} = 1,06 \times 10^{-4}$), supportando un'associazione positiva moderata in cui una migliore regolazione metabolica coesiste con una funzione cognitiva superiore.

Significato e Affermazioni
Il documento afferma di avanzare la ricerca sul diabete lungo tre assi:

1. Prestazioni di Rilevazione: Privilegiando recall e ROC-AUC rispetto all'accuratezza grezza, il framework affronta la necessità clinica di minimizzare i falsi negativi nello screening.
2. Interpretabilità Clinica: L'uso di SHAP fornisce spiegazioni post-hoc agnostiche rispetto al modello che mappano direttamente sui biomarcatori clinici consolidati, aumentando la fiducia negli output del ML.
3. Ambito Multi-Tipo: Il framework va oltre la rilevazione binaria offrendo un proxy non supervisionato per la discriminazione dei sottotipi e fornisce la prima corroborazione computazionale e basata su dati aperti dell'ipotesi T3DM utilizzando test di ipotesi statistica su dati cognitivi longitudinali.

Gli autori sottolineano che il framework è progettato per la riproducibilità, con tutto il codice e le fasi di elaborazione dei dati rilasciati come un notebook Jupyter annotato. Notano modestamente le limitazioni, inclusa la mancanza di etichette di sottotipo di verità fondamentale per la fase di clustering e la natura trasversale dell'analisi cognitiva, che limita l'inferenza causale riguardo al T3DM.