Bidirectional Prediction of Diabetes-Hypertension Comorbidity Transitions from Multimodal Outpatient EMRs: A Reference-Deviation-Aware Multimodal Stacking Framework (RD-MMS)

Sintesi Tecnica: Predizione Bidirezionale delle Transizioni di Comorbilità tra Diabete e Ipertensione tramite RD-MMS

Definizione del Problema
La gestione di malattie croniche come il Diabete Mellito (DM) e l'Ipertensione (HTN) è altamente specializzata, creando lacune sistematiche nell'identificazione del rischio tra malattie incrociate. Gli endocrinologi gestiscono tipicamente il DM, mentre i cardiologi gestiscono l'HTN, spesso fallendo nel monitorare i rischi di transizione bidirezionale tra queste condizioni. I modelli predittivi esistenti soffrono di tre limitazioni primarie quando applicati a contesti clinici reali:

1. Discrepanza delle Fonti Dati: La maggior parte dei modelli si basa su dati di degenza ospedaliera o indagini di popolazione, che differiscono significamente dai dati ambulatoriali per densità e qualità delle informazioni.
2. Modellazione Unidirezionale: Gli approoli attuali tipicamente modellano la progressione della malattia in una singola direzione (ad es., da DM a HTN), fallendo nel catturare l'asimmetria del compito inerente alle transizioni di comorbilità bidirezionali.
3. Sfide Tecniche nei Dati Ambulatoriali: Le cartelle cliniche elettroniche (EMR) ambulatoriali del mondo reale presentano sfide quali l'eterogeneità cross-strumentale nei dati di laboratorio, l'alta sparsità (bassa copertura dei test di laboratorio) e i rischi di perdita di informazioni nascoste che gonfiano le prestazioni di validazione interna.

Metodologia: Il Framework RD-MMS
Per affrontare queste sfide, gli autori propongono il framework Reference-Deviation-Aware Multimodal Stacking (RD-MMS). Questa architettura è progettata per eseguire la predizione bidirezionale delle transizioni da DM a HTN e da HTN a DM utilizzando un dataset multimodale ambulatoriale su larga scala (2023–2024) proveniente dall'Ospedale di Peingu, Pechino.

Il framework si compone di quattro componenti principali:

1. Codifica Reference-Deviation (RD):

   • Inveve della convenzionale normalizzazione Z-score o min-max, che si basa su statistiche globali e richiede l'imputazione della media per i valori mancanti, la codifica RD utilizza intervalli di riferimento specifici per il paziente mantenuti dal Sistema Informativo di Laboratorio (LIS).
   • I valori di laboratorio sono codificati come deviazioni relative: i valori entro l'intervallo normale sono impostati a zero; i valori anormali sono codificati come deviazioni continue direzionali; i valori mancanti (NaN) sono preservati intatti.
   • Questo approccio risolve l'eterogeneità cross-strumentale e consente ai modelli basati su alberi di utilizzare il "non testato" come un segnale negativo debole, piuttosto che trattare la mancanza di dati come rumore.

2. Fusione di Caratteristiche Multimodali:

   • Il sistema integra cinque tipi di caratteristiche eterogenee:
     • Caratteristiche numeriche codificate RD: Derivate da 107 indicatori di laboratorio core.
     • Embedding testuali: Embedding semantici BERT (768 dimensioni) e TF-IDF a livello di carattere (500 dimensioni) estratti dalle narrazioni cliniche.
     • Statistiche del comportamento delle visite: Metriche come densità di visita, intervalli e conteggi.
     • Soglie cliniche basate sulle linee guida: 20 caratteristiche che codificano stati anormali (ad es., classificazione della pressione sanguigna, stadiazione eGFR) basate sulle linee guida ESC/ESH, ADA e CKD-EPI.
   • Queste caratteristiche vengono concatenate per formare un vettore di input ad alta dimensionalità (~2.357 dimensioni).

3. Controllo della Perdita di Dati (Leakage) su Quattro Dimensioni:

   • Per prevenire la perdita di dati e garantire che il modello utilizzi solo informazioni disponibili prima della visita indice, la pipeline impone:
     • Suddivisione a livello di paziente: La cross-validazione GroupKFold assicura che non vi sia sovrapposzione di pazienti tra i fold.
     • Taglio temporale: Le caratteristiche sono limitate ai record datati prima della baseline.
     • Mascheramento semantico: I nomi delle malattie e i farmaci target nel testo sono sostituiti con token [UNK]; i campi dell'anno LIS sono mascherati.
     • Pre-elaborazione entro il fold: La scalatura e la selezione delle caratteristiche sono adattate esclusivamente all'interno del fold di addestramento.

4. Ensemble di Stacking:

   • Sei modelli base (MLP, RF, LR, XGBoost, LightGBM, CatBoost) vengono addestrati in paralleo.
   • Un meta-learner di regressione logistica con regolarizzazione L2 integra le predizioni out-of-fold (OOF) dei modelli base con le migliori prestazioni per generare il punteggio di rischio finale, riducendo l'overfitting.

Risultati Chiave
Il framework è stato valutato su una coorte di sviluppo (2023–2024) e su una coorte di holdout indipendente del 2025.

• Performance Predittiva:

  • DM-to-HTN: AUROC di 0,767 (Interna) e 0,748 (Esterna).
  • HTN-to-DM: AUROC di 0,735 (Interna) e 0,715 (Esterna).
  • Il modello ha superato tutti i metodi baseline (inclusi XGBoost singolo e regressione logistica) e i benchmark esistenti, nonostante la copertura dei test di laboratorio nel contesto ambulatoriale fosse solo del 13–18%.
  • Il drift temporale sulla coorte esterna è stato minimo (<1,5%), mentre un modello Random Forest standard senza meccanismi OOF è degradato significativamente (calo di AUROC di 0,122).

• Studi di Ablazione e Perturbazione:

  • Codifica RD: La perturbazione semantica (mismatch casuale degli intervalli di riferimento) ha causato cali di AUROC di 0,028–0,030, confermando che il modello si affida alla semantica clinica piuttosto che alla semplice scalatura numerica.
  • Robustezza alla Sparsità: All'aumentare della mancanza di dati di laboratorio al 90%, la performance del modello multimodale completo è degradata solo di 0,059, rispetto a 0,149 per un modello puramente numerico. Le caratteristiche testuali hanno fornito un guadagno compensativo fino a +0,110 AUROC nei casi di alta sparsità.
  • Controllo della Perdita (Leakage): Il mascheramento dei campi dell'anno LIS ha migliorato l'AUROC di circa 0,030, evidenziando l'impatto della perdita temporale implicita.
  • Sensibilità SMOTE: L'applicazione di SMOTE ai modelli basati su alberi ha interrotto i segnali "non testato", causando un calo delle prestazioni di 0,041; limitare SMOTE ai modelli non ad albero ha ripristinato le prestazioni.

• Utilità Clinica:

  • Stratificazione del Rischio: Il top 10% del gruppo ad alto rischio ha mostrato un arricchimento degli eventi di 2,9 volte rispetto alla baseline.
  • Analisi della Curva Decisionale (DCA): Il modello ha dimostrato un beneficio netto superiore rispetto alle strategie "tratta tutti" e "non trattare nessuno" attraverso soglie di probabilità del 2%–50%.
  • Importanza delle Caratteristiche: L'analisi SHAP ha rivelato l'asimmetria del compito. Il passaggio da DM a HTN è stato guidato dall'invecchiamento vascolare e dalla pressione sanguigna, mentre il passaggio da HTN a DM è stato fortemente influenzato dalla densità delle visite e dalle anomalie del glucosio estratte dal testo, sottolineando il valore dei dati multimodali.

Significato e Rivendicazioni
L'articolo sostiene che RD-MMS fornisce un paradigma metodologico completo per la costruzione di modelli affidabili di predizione delle comorbilità croniche da EMR ambulatoriali del mondo reale. I suoi contributi primari includono:

1. Affrontare le Specificità Ambulatoriali: Offre una soluzione sistematica per le sfide tecniche specifiche dei dati ambulatoriali, inclusa la bassa copertura dei laboratori e l'eterogeneità cross-strumentale, raggiungendo prestazioni paragonabili a studi basati su dati ospedalieri nonostante la qualità inferiore dei dati.
2. Asimmetria Bidirezionale: Dimostra che la modellazione bidirezionale è necessaria per rivelare l'asimmetria informativa a livello di task (ad es., il diverso valore predittivo delle caratteristiche testuali in DM-to-HTN rispetto a HTN-to-DM), che i modelli unidirezionali oscurano.
3. Robustezza tramite Controllo della Perdita: Stabilisce che un rigoroso controllo della perdita su quattro dimensioni e lo stacking OOF sono critici per la generalizzabilità temporale, prevenendo le metriche di validazione interna gonfiate comuni negli studi longitudinali EMR.
4. Deployability Clinica: Il framework si basa esclusivamente su fonti dati universalmente disponibili nell'assistenza primaria (EMR, LIS, registri delle visite) e non richiede l'interpretazione di specialisti, rendendolo fattibile per l'implementazione integrata nei sistemi informativi ospedalieri per affrontare le lacune diagnostiche tra le specialità.
5. Generalizzabilità: Il design modulare e guidato dalla configurazione permette al framework di essere disaccoppiato da tipi specifici di malattie, supportando la potenziale estensione ad altre coppie di comorbilità croniche (ad es., CKD-DM) con una riconfigurazione minima.

Gli autori concludono che il framework colma con successo il divario tra la gestione specializzata delle malattie e la prevenzione proattiva delle malattie incrociate, offrendo un percorso tecnico implementabile per la gestione della precisione delle malattie croniche.