Sintesi Tecnica: Disgiunzione dei Percorsi di Rischio Latenti tramite Inferenza Ipergrafica Bayesiana

1. Definizione del Problema

Le cartelle cliniche elettroniche (EHR) presentano una complessa sfida di modellazione multi-patologia caratterizzata da due difficoltà primarie:

1. Prevalenza di Malattie a Coda Lunga (Long-tail): Mentre alcune condizioni croniche sono comuni, la maggior parte delle malattie è rara, fornendo dati insufficienti per una stima stabile e indipendente.
2. Dipendenze di Ordine Superiore Complesse: Le malattie non condividono i fattori di rischio in modo uniforme. Diversi driver di rischio (ad esempio, l'età rispetto al fumo) organizzano le malattie in percorsi distinti, sovrapposti e incerti. I modelli esistenti spesso non riescono a catturare questa struttura:
   • I modelli indipendenti (ad esempio, la regressione logistica) ignorano la struttura condivisa, portando a una scarsa calibrazione dell'incertezza per gli esiti rari.
   • I modelli multi-task "black-box" (ad esempio, le reti neurali) intrecciano i fattori di rischio in un unico spazio latente, oscurando specifici percorsi etiopatogenetici e offrendo un'interpretabilità limitata.
   • I modelli probabilistici strutturati spesso aggregano le correlazioni tra tutti i fattori anziché disgiungere l'organizzazione specifica per fattore di rischio, o faticano a scalare verso i moderni dataset EHR.

La sfida centrale è apprendere strutture latenti sovrapposte e specifiche per il fattore di rischio sugli esiti delle malattie, quantificando esplicitamente l'incertezza, senza sacrificare le prestazioni predittive.

2. Metodologia: Inferenza dei Percorsi tramite Ipergrafo Bayesiano (BHPI)

Gli autori propongono BHPI, un framework che inquadra la modellazione multi-patologia come la scoperta di percorsi di malattia latenti, modulati dai fattori di rischio, utilizzando un ipergrafo bayesiano.

2.1. Architettura del Modello

• Rappresentazione Ipergrafica Latente: Le malattie sono nodi ($V$) e i percorsi sono iperarchi ($E$). A differenza degli standard grafi che collegano coppie, gli iperarchi possono collegare sottoinsiemi di malattie, permettendo relazioni di ordine superiore.
• Modello di Osservazione: Gli esiti delle malattie seguono un modello logistico multivariato in cui il predittore lineare $\tilde{\eta}_{i,v}$ include un baseline specifico per la malattia e gli effetti dei fattori di rischio.
• Effetti Strutturati delle Caratteristiche: Inveve di stimare i coefficienti $\beta_v$ specifici per malattia in modo indipendente, BHPI li induce dagli effetti a livello di iperarco ($\mu_{j,e}$):
  $$\beta_{j,v} = d_v^{-1} \sum_{e=1}^E H_{v,e} \mu_{j,e}$$
  dove $H_{v,e}$ è la matrice di incidenza che indica se la malattia $v$ appartiene al percorso $e$.
• Sparsità Gerarchica: Il modello utilizza un prior gerarchico per apprendere la struttura dell'ipergrafo:
  • Esistenza: Indicatori binari $z_e$ determinano se un iperarco esiste.
  • Appartenenza: Condizionatamente all'esistenza, indicatori binari $m_{v,e}$ determinano l'appartenenza della malattia.
  • Selezione delle Caratteristiche: Prior "spike-and-slab" determinano quali fattori di rischio influenzano specifici iperarchi.

2.2. Il Prior di Repulsione

Un'innovazione critica è il prior di repulsione applicato alle associazioni tra caratteristiche e iperarchi. Esso penalizza la selezione di iperarchi altamente sovrapposti per lo stesso fattore di rischio.

• Obiettivo: Prevenire il "collasso della struttura latente", dove molteplici iperarchi ridondanti spiegano lo stesso fattore di rischio.
• Meccanismo: Incoraggia una struttura parsimoniosa e identificabile in cui un singolo fattore di rischio attiva percorsi distinti e non ridondanti, pur permettendo a diversi fattori di rischio di condividere gruppi di malattie sovrapposti.

2.3. Inferenza Variazionale Strutturata Scalabile

L'inferenza a posteriori è problematica a causa delle verosimiglianze non coniugate e dei vincoli logici rigidi (ad esempio, se un iperarco non esiste, i suoi membri non possono esistere).

• Augmentation Polya-Gamma: Utilizzata per gestire la verosimiglianza logistica non congiunta, rendendola condizionalmente gaussiana.
• Famiglia Variazionale Strutturata: La standard inferenza variazione a campo medio (VI) assume l'indipendenza, il che rompe le dipendenze logiche tra esistenza dell'iperarco, appartenenza ed effetto. Gli autori sviluppano un algoritmo di VI strutturato che preserva esplicitamente queste dipendenze condizionali (ad esempio, $q(m_{v,e} | z_e)$).
• Aggiornamenti Sensibili alla Repulsione: Gli aggiornamenti di ascesa coordinata incorporano la sovrapposizione attesa tra gli iperarchi per imporre il prior di repulsione, garantendo la scoperta di una topologia latente sparsa e interpretabile.

3. Contributi Chiave

1. Framework: Introduzione di un framework di inferenza dei percorsi tramite ipergrafo bayesiano che modella i percorsi di malattia come iperarchi latenti modulati da specifici fattori di rischio, consentendo la scoperta di strutture di ordine superiore e sovrapposte.
2. Algoritmo: Sviluppo di un algoritmo di inferenza variazione strutturata e scalabile che preserva le dipendenze logiche (esistenza $\to$ appartenenza $\to$ effetto) e incorpora un prior di repulsione per l'identificabilità, superando i limiti delle standard approssimazioni a campo medio.
3. Validazione: Valutazione completa su dati simulati e sul UK Biobank, dimostrando una scoperta stabile dei percorsi, una migliore stima per le malattie rare e un'incertezza ben calibrata.

4. Risultati Sperimentali

4.1. Dati Simulati

• Performance Predittiva: BHPI ha raggiunto punteggi AUC competitivi (circa 75%) comparabili alla regressione logistica ottimamente tarata e superiori ai baseline multi-label (ad esempio, LightGBM, Classifier Chains).
• Recupero Strutturale: Il modello ha recuperato accuratamente la struttura dell'ipergrafo latente reale (AUC > 96% per l'incidenza dell'iperarco e le associazioni dei fattori di rischio).
• Studio di Ablazione: Rimuovere il prior di repulsione ($\lambda=0$) non ha impattato significativamente l'accuratezza predittiva ma ha portato a iperarchi ridondanti e instabili. Il prior è stato dimostrato essenziale per l'identificabilità e l'interpretabilità, non solo per la predizione.

4.2. Applicazione al UK Biobank

• Dataset: $N \approx 277.291$ partecipanti, 71 fattori di rischio e 66 esiti di malattie croniche (che spaziano da comuni a estremamente rare).
• Stabilità delle Malattie Rare: BHPI ha dimostrato una performance robusta per le malattie a bassa prevalenza, superando i baseline che esibivano alta varianza e instabilità nel regime delle malattie rare.
• Calibrazione: BHPI ha raggiunto una calibrazione predittiva eccellente (ECE < 0.01), comparabile alla regressione logistica.
• Interpretabilità:
  • Disgiunzione: Il modello ha separato con successo i percorsi di rischio divergenti. Ad esempio, il "Fumo" è stato collegato a percorsi distinti per le malattie respiratorie (Enfisema, Asma) e il danno mucoso (Ulcere), piuttosto che a un singolo fattore denso.
  • Convergenza: Ha catturato contesti di malattia eterogenei, come la "Demenza" che partecipa simultaneamente a percorsi vascolari, di fragilità geriatrica e metabolico-neurodegenerativi.
  • Parsimonia: Nonostante l'inizializzazione con 60 iperarchi candidati, la distribuzione a posteriori si è concentrata su una soluzione parsimoniosa (~27 iperarchi attivi), con alte Probabilità di Inclusione a Posteriori (PIP) che mantenevano il segnale predittivo.

5. Significato e Rivendicazioni

Il paper sostiene che BHPI affronti una domanda epidemiologica centrale: "Attraverso quali percorsi di malattia condivisi un dato fattore di rischio esercita i suoi effetti, e quanto siamo certi di tale struttura?"

• Oltre le Black Box: A differenza degli approcci di deep learning, BHPI fornisce una struttura interpretabile di ordine superiore che disgiunge il modo in cui specifici fattori di rischio organizzano il rischio di malattia, andando oltre le correlazioni a coppie o gli spazi latenti intrecciati.
• Quantificazione dell'Incertezza: Il framework offre un'incertezza a posteriori calibrata sia sulla composizione dei gruppi di malattie (composizione del percorso) che sull'influenza del fattore di rischio, il che è critico per le malattie rare dove i dati sono scarsi.
• Scalabilità: L'algoritmo di VI strutturato permette al modello di scalare su dataset di dimensioni biobanca (centinaia di migliaia di campioni) mantenendo una complessità computazionale lineare rispetto a campioni e dimensioni.
• Utilità Clinica: Rivelando percorsi distinti e specifici per fattore di rischio (ad esempio, separando gli effetti metabolici da quelli tossici dell'alcol), il modello offre intuizioni sui meccanismi etiopatogenetici che sono oscurati dal tipico apprendimento multi-task o dalla modellazione indipendente.

Gli autori concludono che BHPI fornisce un approccio rigoroso alla modellazione multi-patologia che bilancia l'efficienza statistica con un bias induttivo strutturato, permettendo la scoperta di strutture latenti interpretabili in dati EHR su larga scala.