Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health

Sintesi Tecnica: Oltre l'AHI: Un framework guidato dalla scoperta causale interpretabile per il recupero del sonno nella sanità connessa

Definizione del Problema
La valutazione clinica del sonno attuale si basa pesantemente sull'Indice di Apnea-Ipopnea (AHI) e su altri indici riassuntivi derivati dalla polisonnografia (PSG). Sebbene tali metriche siano utili per diagnosticare disturbi del sonno specifici, esse spesso non riescono a catturare il carico fisiologico integrato che sottintende il recupero funzionale. Di conseguenza, esiste un persistente distacco tra la fisiologia del sonno oggettiva e gli esiti riportati dai pazienti (PRO), come la sonnolenza diurna, la fatica e la qualità percepita del sonno. Inoltre, gli approcci di apprendimento automatico esistenti per l'analisi della PSG spesso funzionano come "black box" ottimizzate per l'associazione predittiva piuttosto che per l'interpretabilità meccanicistica, limitando la loro utilità nella fiducia clinica e nella traduzione verso le tecnologie di sanità connessa. La sfida risiede nel tradurre segnali biosensoriali multimodali continui in metriche di recupero clinicamente interpretabili che riflettano una fisiologia multidimensionale piuttosto che isolati conteggi di eventi.

Metodologia
Gli autori propongono un framework guidato dalla scoperta causale per derivare un Sleep Recovery Score (SRS) gerarchico da dati PSG multimodali. Il framework opera attraverso una pipeline strutturata in cinque fasi applicata a due coorti di popolazione indipendenti: MESA ($n=1.540$) e MrOS ($n=825$).

1. Costruzione delle Caratteristiche e Selezione degli Esiti: Lo studio utilizza un ampio set di caratteristiche fisiologiche suddivise in cinque domini: carico respiratorio, carico ipossico, frammentazione del sonno, architettura del sonno e regolazione autonomica. Queste sono collegate ai PRO relativi al recupero (ad es., Scala della Sonnolenza di Epworth, fatica, qualità del sonno percepita).
2. Stima del Grafo Causale: Utilizzando l'algoritmo lineare NOTEARS, gli autori stimano un Grafo Aciclico Diretto (DAG) sparso per identificare i candidati driver fisiologici per ogni PRO. Per garantire la robustezza, impiegano la selezione di stabilità tramite bootstrap (500 campionamenti), mantenendo solo gli archi con una frequenza di selezione $\ge 0,6$.
3. Screening dei Candidati a Due Stadi: Per affrontare i limiti dei dati osservazionali e garantire la plausibilità fisiologica, viene applicato un rigoroso processo di screening:
   • Stadio 1 (Basato sulla fisiologia): Gli archi incoerenti con i meccanismi del sonno stabiliti (ad es., la rimozione di proxy demografici come età o razza che agiscono come confonditori strutturali) vengono filtrati.
   • Stadio 2 (Audit assistito da LLM vincolato): I candidati rimanenti sono sottoposti a un protocollo di classificazione strutturato utilizzando un Large Language Model (LLM) vincolato. Le caratteristiche vengono classificate come driver meccanicistici plausibili, confonditori strutturali o variabili di sovrapposizione di costrutto (ad es., misure soggettive correlate per costruzione con il target). Solo le caratteristiche classificate come driver plausibili da entrambi i livelli avanzano.
4. Aggregazione del Consenso: I meccanismi vengono mantenuti solo se appaiono in almeno due diversi esiti di recupero, riducendo il rumore specifico dell'esito.
5. Sintesi del Punteggio Gerarchico: Le caratteristiche mantenute vengono raggruppate nei cinque domini fisiologici. I punteggi di dominio sono calcolati come somme ponderate di caratteristiche normalizzate, dove i pesi sono proporzionali all'entità dell'arco e alla stabilità. Il finale SRS è un'aggregazione gerarchica di questi punteggi di dominio, standardizzata all'interno di ogni coorte.

Contributi Chiave

• Modellazione Multidimensionale Interpretabile: Il documento introduce un SRS gerarchico che va oltre i singoli indici respiratori (come l'AHI) collegando esplicitamente la PSG multimodale agli esiti di recupero riportati dal paziente attraverso un framework trasparente e strutturato per domini.
• Identificazione dei Meccanismi Guidata dalla Scoperta Causale: Gli autori applicano un DAG per la scoperta causale, raffinato da vincoli basati sulla fisiologia e da un audit assistito da LLM vincolato, per estrarre domini di recupero ricorrenti e fisiologicamente interpretabili.
• Evidenza Cross-Coorte per la Sanità Connessa: Il framework dimostra una convergenza costante su cinque domini fisiologici attraverso due coorti distinte, mostrando un migliore allineamento con il recupero percepito rispetto all'AHI. Ciò supporta la traduzione della modellazione del recupero verso sistemi di rilevamento distribuiti e indossabili (ad es., ECG indossabile, oximetria) che catturano sottoinsiemi di questi domini.

Risultati

• Convergenza Meccanicistica: Attraverso sia MESA che MrOS, il framework ha identificato costantemente cinque domini fisiologici associati a un recupero compromesso: carico respiratorio, carico ipossico, frammentazione del sonno, architettura del sonno (inclusa la dinamica EEG) e regolazione autonomica.
• Distillazione delle Caratteristiche: In MESA, il processo ha distillato 53 caratteristiche iniziali in 32 meccanismi di consenso. In MrOS, 174 caratteristiche sono state ridotte a 28. Le covariate strutturali (età, sesso, razza) e le variabili di sovrapposizione di costrutto sono state rimosse con successo.
• Associazione con gli Esiti: L'SRS ha dimostrato associazioni statisticamente significative con quattro esiti su cinque, mentre l'AHI ha raggiunto la significatività per solo uno.
  • In MESA, l'SRS ha mostrato correlazioni significative con la Scala della Sonnolenza di Epworth ($\rho = 0,098$) e la sonnolenza diurna ($\rho = 0,074$), mentre l'AHI non era significativo per entrambi.
  • In MrOS, l'SRS ha correlato significativamente con la qualità del sonno percepita ($\rho = 0,107$) e la difficoltà nel mantenere il sonno ($\rho = 0,111$), mentre l'AHI non era significativo.
• Guadagno di Performance: L'SRS ha mostrato un allineamento fino a 2,5 volte più forte con gli esiti di recupero percepito rispetto all'AHI in casi specifici (ad es., la qualità del sonno percepita in MrOS).

Significatività e Rivendicazioni
Il documento sostiene che il sonno ristoratore è meglio caratterizzato come un costrutto fisiologico multidimensionale piuttosto che come un singolo indice respiratorio. Il framework proposto non mira a sostituire le metriche specifiche per malattia come l'AHI, ma piuttosto a completarle catturando il più ampio substrato fisiologico del recupero. Collegando esplicitamente la fisiologia del sonno multimodale agli esiti centrati sul paziente attraverso un framework interpretabile, consapevole dei bias e strutturato per domini, questo lavoro fornisce una base pratica per la modellazione del recupero sia negli studi clinici sul sonno che nei nuovi contesti di sanità intelligente e connessa. Gli autori sottolineano che l'SRS consente la decomposizione dei driver del recupero (ad es., distinguere il carico ipossico dalla disregolazione autonomica), consentendo interventi mirati che le valutazioni tradizionali basate sull'AHI non possono supportare.

Nota sui Limiti: Gli autori riconoscono modestamente che l'analisi è trasversale e non stabilisce una causalità temporale. Notano che la formulazione lineare di NOTEARS può mancare interazioni non lineari e che l'audit assistito da LLM, sebbene coerente, si basa su prompt vincolati piuttosto che sulla revisione diretta di esperti di dominio. Le correlazioni con gli esiti soggettivi sono modeste, riflettendo la natura multifattoriale del recupero percepito.