Explainable Machine Learning for Diabetes Risk Prediction: Development of a Baseline Predictive Engine for the Wo’tosuga Digital Health Platform Targeting African Populations

Sintesi Tecnica: Apprendimento Automatico Spiegabile per la Predizione del Rischio di Diabete sulla Piattaforma Wo'tosuga

Definizione del Problema
Il diabete mellito rappresenta una crisi di salute pubblica in rapida escalation nell'Africa subsahariana, con una stima del 54% di individui affetti che rimangono non diagnosticati. Lo screening convenzionale basato su test di laboratorio (ad es., glucosio plasmatico a digiuno, HbA1c) è spesso inaccessibile a causa di vincoli infrastrutturali, finanziari e geografici. Sebbene l'apprendimento automatico (ML) offra un'alternativa scalabile e non invasiva utilizzando variabili auto-riferite, i modelli predittivi esistenti soffrono di due critiche limitazioni:

1. Generalizzabilità dei Dati: La maggior parte dei modelli è addestrata su dataset nordamericani o europei (ad es., Pima Indian, US BRFSS), limitandone l'applicabilità alle popolazioni africane a causa delle differenze nella distribuzione dei fattori di rischio e nelle caratteristiche fenotipiche.
2. Metriche di Valutazione: La letteratura si basa prevalentemente sull'accuratezza complessiva o sull'AUC-ROC, che sono inappropriate per compiti di screening sbilanciati. Nei contesti a basse risorse, la priorità clinica è massimizzare la sensibilità (identificare gli individui realmente a rischio) per prevenire diagnosi mancate, piuttosto che massimizzare l'accuratezza, che spesso favorisce la classe di maggioranza.

Metodologia
Questo studio stabilisce un motore predittivo di base di Fase 1 per la piattaforma di salute digitale Wo'tosuga utilizzando una pipeline rigorosa e riproducibile:

• Fonte dei Dati: Lo studio ha utilizzato tre cicli (2019, 2021, 2023) del sistema US Behavioral Risk Factor Surveillance System (BRFSS), ottenendo un dataset analitico di 869.319 rispondenti.
• Pre-elaborazione:
  • Selezione delle Caratteristiche: Sono state mantenute 21 caratteristiche predittive dopo la rimozione delle variabili con una percentuale di dati mancanti superiore al 50%.
  • Ricodifica del Target: I casi pre-diabetici sono stati riclassificati come diabetici (classe positiva) per allinearsi all'obiettivo clinico di segnalare tutti gli individui a rischio per l'intervento.
  • Sbilanciamento delle Classi: Il dataset presentava uno sbilanciamento di circa 5,4:1 (84,4% non diabetici vs 15,6% diabetici). Invece dell'oversampling sintetico (SMOTE), lo studio ha impiegato l'apprendimento cost-sensitive (ad es., class_weight='balanced', scale_pos_weight) per preservare le distribuzioni di probabilità naturali.
  • Ingegneria delle Caratteristiche: Le variabili categoriche (stato civile/occupazionale) sono state raggruppate per l'interpretabilità; è stata derivata una variabile di livello socioeconomico per essere trasferibile in contesti non statunitensi.
• Sviluppo del Modello:
  • Sono stati valutati otto algoritmi: Regressione Logistica, Decision Tree, Extra Trees, Gradient Boosting, AdaBoost, XGBoost, LightGBM e K-Nearest Neighbors.
  • Ottimizzazione: La sintonizzazione degli iperparametri è stata condotta tramite GridSearchCV con validazione incrociata a 3 fold, ottimizzando esplicitamente il richiamo (sensibilità).
  • Valutazione: La sensibilità è stata designata come metrica primaria, insieme a specificità, PPV, NPV, F1-score, AUC-ROC e Brier score.
• Spiegabilità: I valori SHAP (SHapley Additive exPlanations) sono stati calcolati utilizzando l'algoritmo TreeExplainer per determinare l'importanza globale delle caratteristiche e i contributi delle predizioni locali.

Risultati Chiave

• Prestazioni del Modello: LightGBM è emerso come l'algoritmo superiore. Dopo la sintonizzazione degli iperparametri e il ri-addestramento sul dataset completo, il modello finale ha raggiunto:
  • Sensibilità: 0,809 (80,9% dei veri diabetici correttamente identificati).
  • Specificità: 0,701.
  • AUC-ROC: 0,828.
  • Valore Predittivo Negativo (NPV): 0,952.
  • Nota: Sebbene il Gradient Boosting abbia ottenuto un AUC-ROC simile (0,826), la sua sensibilità era criticamente bassa (0,190), rendendolo clinicamente inadatto allo screening nonostante l'alta accuratezza.
• Comparatori: XGBoost (Sensibilità: 0,806) e la Regressione Logistica (Sensibilità: 0,779) sono serviti come forti comparatori, suggerendo che il segnale predittivo in questo dataset è catturato in gran parte da un piccolo set di fattori di rischio linearmente separabili.
• Importanza delle Caratteristiche: L'analisi SHAP ha identificato i cinque predittori principali, coerenti tra LightGBM e la Regressione Logistica:
  1. Età
  2. Salute generale auto-riferita
  3. BMI (Indice di Massa Corporea)
  4. Stato della pressione sanguigna
  5. Tempo dall'ultimo controllo medico
• Interpretabilità: Il modello ha dimostrato pattern clinicamente coerenti (ad es., aumento monotono del rischio con l'età e il BMI; relazione inversa tra la valutazione della salute generale e il rischio). Notevolmente, la variabile del livello socioeconomico ha mostrato un'importanza trascurabile, probabilmente a causa della grossolanità del parametro derivato.

Significato e Rivendicazioni
Il documento posiziona questo lavoro non semplicemente come un esercizio di modellazione predittiva, ma come l'infrastruttura fondamentale per un ciclo di ricerca traslazionale progettato per affrontare il "gap dei dati medici africani".

1. Utilità Clinica come Strumento di Triage: Il modello è esplicitamente inquadrato come uno strumento di screening e triage, non come uno strumento diagnostico. L'alto NPV (0,952) è evidenziato come la metrica clinicamente più significativa per i contesti a basso accesso, fornendo una rassicurazione affidabile per i risultati negativi e consentendo la prioritizzazione dei casi positivi per le scarse risorse di laboratorio.
2. Il "Ciclo di Ricerca Wo'tosuga": Gli autori riconoscono che l'addestramento esclusivo su dati USA è una limitazione primaria. Tuttavia, riconformano questa come la motivazione centrale dell'architettura della piattaforma. La piattaforma Wo'tosuga integra un meccanismo anonimo di donazione dei dati, che consente agli utenti di contribuire con i propri fattori di rischio e le proprie predizioni. Ciò crea un ciclo di auto-miglioramento in cui la base addestrata su dati USA consente un dispiegamento immediato, mentre le interazioni degli utenti generano i dati specifici per l'Africa necessari per riaddestrare e validare le future iterazioni del modello.
3. Rigore Metodologico: Lo studio sottolinea l'importanza critica della selezione delle metriche nell'IA clinica. Privilegiando la sensibilità rispetto all'accuratezza, la ricerca dimostra che i modelli che appaiono "competitivi" sotto gli standard comuni possono essere clinicamente pericolosi se non riescono a rilevare la maggior parte degli individui a rischio.

In conclusione, il documento stabilisce una base riproducibile e spiegabile (LightGBM, Sensibilità ~0,81, NPV ~0,95) per la stratificazione del rischio di diabete. Il suo contributo primario è l'architettura di una piattaforma di salute digitale che funziona simultaneamente come strumento di screening clinico e come motore di raccolta dati per colmare progressivamente il divario nei dati sanitari specifici dell'Africa.