Can a zero-shot time-series foundation model rival task-trained models for intraoperative hypotension prediction? A two-cohort benchmark and the role of covariate-awareness

Sintesi Tecnica: Modelli Fondativi Zero-Shot per Serie Temporali per la Predizione dell'Ipotensione Intraoperatoria

Problematica
L'ipotensione intraoperatoria (definita come pressione arteriosa media [MAP] < 65 mmHg) è una complicazione frequente dell'anestesia generale, legata a lesioni d'organo e mortalità postoperatoria. Le attuali soluzioni predittive affrontano significative barriere di portabilità. Gli indici commerciali (es. Hypotension Prediction Index) richiedono spesso forme d'onda arteriose invasive e caratteristiche proprietarie, mentre i modelli di deep learning allo stato dell'arte (es. Temporal Fusion Transformer [TFT], PatchTST) richiedono un addestramento specifico per il compito su ampi cohort etichettati e sito-specifici. Questi modelli su misura faticano a trasferirsi tra diverse istituzioni con diverse cadenze di dati, set di covariate e tassi di prevalenza dell'ipotensione. Inoltre, i modelli esistenti generalmente condizionano le interazioni farmacologiche solo come cronologia osservata o le omettono del tutto, fallendo nel caso di non utilizzare i segnali "futuri noti" (la traiettoria pianificata dell'infusione farmacologica) che potrebbero migliorare l'accuratezza della previsione.

Metodologia
Lo studio confronta quattro modelli fondativi zero-shot per serie temporali rispetto a due baseline addestrate per il compito specifico (TFT e PatchTST) attraverso due distinti cohort intraoperatori:

1. Cohort di Sviluppo (VitalDB): 2.708 casi (2.665 soggetti) provenienti dal Seoul National University Hospital, campionati a intervalli di 15 secondi.
2. Cohort Esterno (MOVER): 1.827 casi da un repository multi-centro, campionati a intervalli di 60 secondi con una prevalenza di ipotensione 2–3× superiore.

Disegno Sperimentale:

• Task: Un compito di previsione a origine rotante (rolling-origin forecasting) in cui una finestra di contesto di 30 minuti predice le traiettorie della MAP e l'imminente ipotensione (MAP < 65 mmHg) su orizzonti di 1, 3, 5, 7, 10 e 15 minuti.
• Modelli Valutati:
  • Modelli Fondativi Zero-Shot: TiRex-2 (multivariato, consapevole delle covariate), Chronos-Bolt, TimesFM-2.5, Moirai-1.1-R (tutti univariati). Nessuno di questi è stato addestrato o perfezionato (fine-tuned) sul target specifico.
  • Baseline Addestrate per il Task: TFT e PatchTST, addestrate tramite cross-validazione per soggetto a 5 pieghe sul cohort di sviluppo.
• Gestione delle Covariate: Lo studio investiga specificamente la "consapevolezza delle covariate". TiRex-2 è l'unico modello capace di condizionarsi sia sulle osservazioni passate che sugli input "futuri noti" (la traiettoria pianificata dell'infusione farmacologica). Gli autori confrontano TiRex-2 con e senza questa covariata (M1 vs M0) e lo confrontano con modelli univariati che non possono ingerire covariate.
• Metriche di Valutazione: Discriminazione (AUROC, AUPRC), accuratezza probabilistica (CRPS, MAE), calibrazione (Errore di Calibrazione Attesa - ECE) e analisi della curva decisionale.

Risultati Chiave

• Performance dei Modelli Fondativi: Tra i modelli zero-shot, TiRex-2 ha superato costantemente gli altri (Chronos-Bolt, TimesFM-2.5, Moirai-1.1-R) in tutti gli orizzonti temporali. Il suo vantaggio è statisticamente significativo a partire dai 3 minuti.
• Confronto con lo Stato dell'Arte (SOTA):
  • Agli orizzonti brevi e medi (1–7 minuti), il modello zero-shot TiRex-2 ha eguagliato le prestazioni del TFT addestrato per il task (es. AUROC 0,905 vs 0,903 a 7 min; p = 0,34).
  • Agli orizzonti più lunghi (>7 min), TiRex-2 è rimasto indietro rispetto alla baseline supervisionata più forte, PatchTST (es. AUROC 0,849 vs 0,875 a 15 min).
  • Sul cohort esterno MOVER, TiRex-2 ha mantenuto un'AUROC ≥ 0,85 in tutti gli orizzonti, eguagliando i modelli addestrati in-domain e superando i modelli trasferiti da VitalDB.
• Il Ruolo della Consapevolezza delle Covariate:
  • Il condizionamento sulla infusione farmacologica futura nota ha fornito un miglioramento piccolo ma significativo per TiRex-2 (circa una riduzione del CRPS dell'1,15%) specificamente nelle "finestre di transizione" in cui il piano di infusione cambiava.
  • Crucialmente, la qualità della previsione di base di TiRex-2 (anche senza la covariata) era sufficiente per guidare il campo zero-shot. La consapevolezza della covariata ha distinto l'esemplare migliore, ma non è stata l'unico driver della sua superiorità rispetto agli altri modelli fondativi.
  • Al contrario, i modelli addestrati per il task hanno mostrato una dipendenza molto maggiore dalla canale delle covariate (+7% fino a +12% di miglioramento), suggerendo che essi si affidano maggiormente ai segnali di intervento espliciti rispetto al modello fondativo pre-addestrato.
• Robustezza e Portabilità: Il paradigma zero-shot ha dimostrato un'alta portabilità. Un singolo modello pre-addestrato applicato senza etichette ha raggiunto una discriminazione comparabile all'addestramento supervisionato per cohort e superiore al trasferimento supervisionato attraverso lo shift di distribuzione tra VitalDB e MOVER.
• Rappresentazioni Interne: L'analisi delle attivazioni dell'ultimo strato (penultimate layer) ha rivelato che la capacità di previsione zero-shot è scollegata dalla struttura rappresentazionale lineare. A differenza dei modelli addestrati per il task, i modelli zero-shot non codificano il rischio di ipotensione come una caratteristica linearmente separabile nei loro stati interni; il loro valore risiede nella mappatura completa encoder-decoder per la previsione multi-orizzonte, non come estrattori di feature.

Significato e Rivendicazioni
Il paper sostiene che i modelli fondativi per serie temporali zero-shot e consapevoli delle covariate rappresentano un'alternativa competitiva e portabile per la predizione dell'ipotensione intraoperatoria.

• Portabilità: Il contributo primario è dimostrare che un singolo modello pre-addestato può competere con lo SOTA addestrato per il task (specificamente TFT) agli orizzonti clinicamente urgenti (1–7 min) senza richiedere etichette sito-specifiche o ri-addestramento. Ciò affronta il problema dei "silos di dati".
• Condizionamento sui "Futuri Noti": Lo studio stabilisce la fattibilità dell'applicazione del condizionamento sui futuri noti (infusioni farmacologiche pianificate) in un contesto zero-shot. Sebbene il guadagno di performance sia stato modesto rispetto alla capacità del modello base, esso valida un paradigma in cui i modelli fondativi possono sfruttare i piani di intervento futuri — una capacità precedentemente limitata alle architetture specifiche per il compito.
• Utilità Clinica: I modelli forniscono avvisi precoci azionabili (1–15 min prima) con una discriminazione comparabile alle baseline supervisionate, particolarmente nell' "orizzonte intermedio" (3–7 min) dove gli allarmi di persistenza ingenui degradano e i modelli su misura sono più difficili da implementare.
• Limitazioni Riconosciute: Gli autori notano che la covariata "futura nota" utilizzata era l'infusione realizzata (dati retrospettivi), il che rappresenta un limite superiore ottimistico rispetto a un deployment prospettico dove è noto solo l'infusione pianificata. Inoltre, i modelli sono stati valutati su linee arteriose invasive; la portabilità al monitoraggio non invasivo o ad altri contesti di cura (terapia intensiva, reparto) rimane non provata. Lo studio conclude che, sebbene la discriminazione sia priva di etichette, la calibrazione richiede un piccolo subset locale etichettato per la ricalibrazione.

In sintesi, il paper argomenta che, per le istituzioni che mancano dell'infrastruttura per l'addestramento di modelli su misura su larga scala, i modelli fondativi zero-shot offrono una soluzione "pronta all'uso" e valida per il monitoraggio emodinamico che eguaglia le prestazioni dei modelli supervisionati specializzati agli orizzonti temporali critici.