A Deep Set-Based Aggregation Approach for Repeated Measurements: Insights from Variable-Length Wearable Device-Measured Physical Activity Data

Sintesi Tecnica: Un approccio di aggregazione basato su Deep Set per misurazioni ripetute

Definizione del problema
La rapida integrazione dei dispositivi indossabili nella salute digitale ha consentito il monitoraggio continuo e in tempo reale delle metriche dei pazienti, come l'attività fisica (PA). Tuttavia, sfruttare questi dati per la modellazione predittiva presenta sfide significative. Le misurazioni ripetute dai wearable spesso variano in lunghezza tra gli individui a causa di dati mancanti o diverse livelli di compliance, creando input a "lunghezza variabile" che gli algoritmi di apprendimento automatico standard non possono elaborare direttamente, poiché richiedono vettori di caratteristiche a lunghezza fissa.

Le soluzioni tradizionali prevedono l'aggregazione di queste osservazioni ripetute in statistiche riassuntive (ad esempio, le medie) per fissare la dimensionalità. Sebbene efficace per ridurre la dimensionalità, la semplice aggregazione spesso scarta dinamiche temporali preziose e schemi di interazione tra le osservazioni. Inoltre, le architetture di deep learning esistenti (ad esempio, CNN, RNN) spesso assumono una corrispondenza uno-a-uno tra i vettori di caratteristiche e gli esiti, rendendole inadatte a mappare molteplici serie temporali di osservazioni verso un singolo esito clinico senza restrizioni sulle ipotesi di indipendenza.

Metodologia
Lo studio ha utilizzato i dati del National Health and Nutrition Examination Survey (NHANES) 2011–2014, concentrandosi su adulti con artrite. Il dataset includeva misurazioni di PA derivate da accelerometro multi-giorno (registrate come unità Monitor-Independent Movement Summary [MIMS]) e covariate una tantum (dati demografici, PA auto-riportata, condizioni mediche). Lo studio ha valutato due esiti binari: la necessità di attrezzature speciali per camminare e la presenza di una scarsa funzionalità fisica.

Sono state confrontate tre strategie di aggregazione per trasformare i dati di PA a lunghezza variabile in predittori a lunghezza fissa:

1. Aggregazione Semplice (Metodo 1): Ha calcolato la media aritmetica delle misurazioni giornaliere di PA per ogni partecipante. Questo funge da baseline, assumendo che il valore medio rappresenti sufficientemente il profilo di attività dell'individuo.
2. Aggregazione Corretta per la Varianza (Metodo 2): Ha impiegato un approccio statistico per regolare la media semplice in base all'affidabilità delle misurazioni. Questo metodo decompone la varianza in componenti tra individui e entro l'individuo. Applica pesi alla media della popolazione, alla media osservata dell'individuo e alle covariate una tantum. Lo schema di ponderazione aumenta la dipendenza dalle misurazioni ripetute quando la varianza intra-individuale è bassa e il numero di osservazioni è elevato, spostando invece il peso verso le covariate quando le misurazioni sono scarse o altamente variabili.
3. Approccio Deep Set (Metodo 3): Ha implementato un'architettura di deep learning progettata specificamente per input a set e a lunghezza variabile. Questo approccio sfrutta due proprietà chiave: l'invarianza alla permutazione (l'output è indipendente dall'ordine degli elementi di input) e l'equivarianza alla permutazione.
   • Architettura: Il modello tratta la cronologia della PA di ogni partecipante come un set. Per i dati a livello giornaliero, il modello ha utilizzato un meccanismo di self-attention con vettori Query, Key e Value (QKV) per catturare le dipendenze temporali e le interazioni tra i giorni senza feature engineering esplicito. Per i dati a livello di minuto (input ad alta frequenza e complessi), l'architettura ha incorporato strati di Reti Neurali Convoluzionali (CNN) per l'estrazione delle caratteristiche prima dell'aggregazione tramite self-attention.
   • Addestramento: Il modello è stato addestrato per apprendere congiuntamente l'estrazione delle caratteristiche e l'aggregazione, permettendogli di scoprire pattern non lineari attraverso le osservazioni ripetute che i metodi tradizionali potrebbero perdere.

Risultati Chiave
Lo studio ha valutato le prestazioni del modello utilizzando AUC, accuratezza, precisione, recall e F score attraverso 100 iterazioni di split train-test 80/20.

• Dati a livello giornaliero: Per i riepiloghi di PA a livello giornaliero, l'approccio Deep Set ha generalmente migliorato l'accuratezza e gli score F rispetto all'aggregazione semplice e corretta per la varianza. Tuttavia, ha mostrato punteggi AUC inferiori, in particolare tra i partecipanti con meno osservazioni (< 6 giorni). In questo sottogruppo con poche osservazioni, il modello Deep Set è stato meno performante, probabilmente a causa della dimensione ridotta del campione di questo gruppo e della mancanza di interazioni temporali significative nei dati a breve termine. Al contrario, per i partecipanti con 6–7 giorni di dati, le differenze di prestazione tra i metodi si sono ristrette.
• Dati a livello di minuto: Quando applicato ai dati di PA a livello di minuto, l'approccio Deep Set ha dimostrato una prestazione complessiva superiore, ottenendo i punteggi più alti di AUC, accuratezza e F score per entrambi gli esiti. Ciò suggerisce che la capacità del modello di estrarre caratteristiche e modellare dinamiche temporali complesse ad alta frequenza fornisce un vantaggio significativo quando la risoluzione dei dati è elevata.
• Correzione della Varianza: Il metodo di correzione della varianza ha mostrato un miglioramento pratico minimo rispetto all'aggregazione semplice in questo specifico dataset, in gran parte perché la maggior parte dei partecipanti aveva osservazioni sufficienti (6–7 giorni), risultando in una bassa varianza intra-individuale e quindi in pesi di correzione ridotti.

Significatività e Contributi
Il documento contribuisce con un framework comparativo per la selezione delle strategie di aggregazione nella salute digitale, sottolineando che il metodo ottimale dipende dalla complessità dei dati, dalla variabilità e dalla dimensione del campione.

• Selezione Dipendente dal Contesto: Gli autori propongono che l'aggregazione semplice rimanga sufficiente per misurazioni ripetute relativamente stabili e a bassa frequenza (ad esempio, PA a livello giornaliero con pattern coerenti). Al contrario, gli approcci basati su Deep Set sono più vantaggiosi per dati complessi e ad alta frequenza (ad esempio, flussi a livello di minuto) dove catturare le dinamiche temporali non lineari è cruciale.
• Gestione della Lunghezza Variabile: Lo studio valida l'architettura Deep Set come una soluzione valida per integrare i dati wearable a lunghezza variabile in modelli clinici senza scartare i partecipanti con dati incompleti o perdere la sfumatura temporale.
• Linee Guida Pratiche: I risultati offrono una tabella di marcia per i ricercatori: se il dataset contiene molti partecipanti con numerose, complesse e dinamiche osservazioni, i Deep Set sono vantaggiosi. Tuttavia, per dati sparsi o metriche semplici, l'aggregazione statistica tradizionale può essere più robusta e meno soggetta a overfitting.

Gli autori concludono che, sebbene i Deep Set offrano un'eccezionale flessibilità per le applicazioni di medicina digitale reale che coinvolgono flussi di dati complessi, le loro prestazioni sono contingenti sul possedere un volume di dati e una densità di osservazione sufficienti per apprendere interazioni significative.