Continuous-Time Bayesian Networks with Structured Shrinkage Priors for Modelling Multimorbidity Trajectories in Large-Scale Electronic Health Records

Sintesi Tecnica: Reti Bayesiane a Tempo Continuo con Prior di Shrinkage Strutturato per la Modellazione delle Traiettorie di Multimorbilità

Problema
Le condizioni croniche multiple (MLTC), o multimorbilità, emergono attraverso interazioni complesse e tempo-dipendenti tra le malattie. Gli attuali metodi statistici spesso faticano a modellare congiuntamente la progressione delle malattie, le reti di multimorbilità e i fattori di rischio ad alta dimensionalità all'interno di un quadro unificato. Le analisi trasversali catturano la co-occorrenza ma perdono la dinamica temporale; i modelli multi-stato scalano scarsamente con un numero elevato di condizioni interagenti; e gli approcci basati su reti mancano spesso di modelli probabilistici formali per la stima e la quantificazione dell'incertezza. Inoltre, l'applicazione delle Reti Bayesiane a Tempo Continuo (CTBN) ai dati ad alta dimensionalità delle cartelle cliniche elettroniche (EHR) affronta due sfide specifiche: l'esplosione combinatoria dei parametri derivante dalle interazioni di ordine superiore tra le malattie e la necessità di una sparsità biologicamente interpretabile con incertezza calibrata.

Metodologia
Gli autori propongono un framework CTBN bayesiano strutturato, progettato per dati EHR longitudinali. I componenti metodologici principali sono:

1. Struttura del Modello: La progressione congiunta di $M$ condizioni infiammatorie è modellata come un processo stocastico multivariato dove ogni condizione evolve come un processo di Markov a tempo continuo a stati finiti. Il modello assume uno stato assorbente (solo insorgenza, nessuna remissione) per le condizioni croniche. Il tasso di insorgenza istantanea (intensità di transizione) per una condizione dipende dagli stati correnti delle sue condizioni "genitrici" e dalle covariate esogene tramite una parametrizzazione log-lineare. Ciò consente la modellazione di effetti principali e interazioni sinergiche a coppie.
2. Formulazione della Verosimiglianza: La verosimiglianza CTBN è derivata e dimostrata essere equivalente a un Modello Lineare Generalizzato (GLM) di Poisson con un offset logaritmico, dove l'esposizione è il tempo trascorso nello stato di rischio. Questa fattorizzazione tra le condizioni permette una stima computazionalmente trattabile anche con un numero moderato di condizioni.
3. Prior di Shrinkage Strutturato: Per affrontare la crescita combinatoria dei parametri di interazione, gli autori integrano quattro prior di shrinkage dipendenti dall'ordine all'interno della verosimiglianza CTBN. Questi prior impongono una penalizzazione più forte sui termini di interazione di ordine superiore rispetto agli effetti principali, aderendo al principio gerarchico secondo cui le sinergie complesse tra più condizioni sono rare. I quattro prior confrontati sono:
   • Normale Strutturato Gerarchico (HS): Una miscela di scale che produce una marginale Student-t con varianza specifica per ordine.
   • Bayesian LASSO: Una marginale doppia esponenziale con tassi dipendenti dall'ordine.
   • Regularised Horseshoe: Un prior globale-locale con scala globale penalizzata per ordine.
   • Spike-and-Slab: Una miscela a due componenti (slab diffusa rispetto a spike concentrato) con probabilità di inclusione specifiche per ordine.
4. Selezione delle Variabili: Per il prior spike-and-slab, le Probabilità di Inclusione Posteriore (PIP) sono derivate analiticamente. Per i prior di shrinkage continuo (HS, LASSO, Horseshoe), che non forniscono PIP esplicite, gli autori costruiscono "pseudo-PIP" basati sul fattore di shrinkage posteriore per consentire un confronto equo delle prestazioni di selezione delle variabili tra tutti i metodi.

Contributi Chiave
Il documento apporta quattro contributi metodologici primari:

1. Framework Unificato: Integra quattro distinti prior di shrinkage dipendenti dall'ordine in una verosimiglianza CTBN unificata, codificando esplicitamente l'aspettativa biologica che i percorsi sinergici complessi siano sparsi.
2. Metrica di Selezione Comparativa: Deriva le PIP per lo spike-and-slab e le pseudo-PIP per i prior continui, ponendo tutti e quattro su un piano comune per la selezione delle variabili e il recupero della rete.
3. Simulazione Calibrata: Conduce uno studio di simulazione esteso per isolare il recupero dei parametri, la selezione delle variabili e il comportamento predittivo in diversi scenari di generazione dei dati e specifiche del modello (sotto-specificati, correttamente specificati e sovra-specificati).
4. Applicazione Empirica: Applica il framework ai dati di assistenza primaria del UK Biobank per modellare la progressione di dieci condizioni prevalenti, recuperando reti di malattie sparse e interpretabili.

Risultati

• Risultati della Simulazione: In molteplici scenari, il prior spike-and-slab ha ottenuto il miglior recupero della rete, l'accuratezza nella selezione delle variabili e il controllo dei falsi positivi. Ha raggiunto Tassi di Veri Positivi (TPR) di circa il 76–82% per gli effetti principali e circa il 72% per le interazioni, con Tassi di Falsi Positivi (FPR) bassi come l'1–4% sotto corretta specificazione. Al contrario, i tre prior di shrinkage continuo (HS, LASSO, Regularised Horseshoe) non sono riusciti a eseguire una selezione "hard" delle variabili a una soglia standard di 0,5, dichiarando quasi tutti i coefficienti attivi (TPR $\approx$ FPR $\approx$ 100%) e mostrando modeste AUC di selezione (~68–71%).
• Prestazioni Predittive: Tutti e quattro i prior hanno dimostrato un'accuratezza predittiva quasi identica (log-verosimiglianza di Poisson e punteggi Brier) attraverso i modelli di analisi, confermando che la prestazione predittiva è robusta alla specificazione del prior quando l'obiettivo è la stima piuttosto che il recupero della struttura.
• Applicazione Empirica (UK Biobank): L'applicazione del modello spike-and-slab raccomandato ($P=2, \theta=1$) a 33.558 partecipanti ha rivelato due moduli di malattie dominanti:
  • Un cluster cardiometabolico centrato su Diabete Mellito (DM), Malattie Ipertensive (HTN) e Malattie Ischemiche del Cuore (IHD), caratterizzato da dipendenze bidirezionali dense (ad es., DM $\to$ HTN con un rapporto di velocità di 2,13).
  • Un cluster infiammatorio che collega Rinite/Sinusite (RS), Dermatite/Eczema (DE) e Malattie Respiratorie Croniche Inferiori (CLRD).
  • Il modello ha identificato un antagonismo sub-moltiplicativo nei triplette (ad es., {RS, DM} $\to$ HTN), suggerendo che l'esposizione congiunta produce un rischio cumulativo inferiore rispetto alla somma delle esposizioni marginali, in linea con percorsi biologici sovrapposti.
  • L'analisi delle covariate ha confermato l'età come il predittore più forte, con specifici marcatori infiammatori (ad es., GlycA, WBC) e fattori di stile di vita (fumo, BMI) che mostrano associazioni specifiche per condizione.

Significatività e Rivendicazioni
Il documento sostiene che il proposto framework CTBN bayesiano strutturato affronta con successo le doppie sfide degli spazi parametrici ad alta dimensionalità e la necessità di una sparsità interpretabile nella modellazione della multimorbilità. Gli autori affermano che il prior spike-and-slab è la scelta superiore per l'apprendimento della struttura della rete, offrendo il miglior equilibrio tra recupero dei parametri, controllo dei falsi positivi e calibrazione dell'incertezza, mentre i prior continui sono più adatti a compiti di pura predizione dove il recupero della struttura non è l'obiettivo primario.

L'applicazione ai dati del UK Biobank dimostra la capacità del framework di recuperare reti di dipendenza tra le malattie, dirette e clinicamente plausibili, che quantificano il carico della progressione e le interazioni di ordine superiore. Gli autori osservano che, sebbene i risultati siano in linea con la conoscenza clinica stabilita (ad es., il cluster cardiometabolico), la natura dinamica e direzionale del modello fornisce nuovi spunti sull'ordine temporale e l'entità delle cascate di malattie che le analisi trasversali non possono catturare. Lo studio conclude che l'estensione di questo framework all'intero set di 60 condizioni InflAIM rappresenta un avanzamento sostanziale nella modellazione di reti di malattie su scala di popolazione, con potenziali implicazioni traslazionali per la stratificazione del rischio e la medicina di precisione.