Sequence models reveal diagnosis accumulation pathways beyond comorbidity burden in population-scale hospital data

Technische Samenvatting: Sequentiemodellen onthullen paden van morbiditeitsaccumulatie voorbij de comorbiditeitslast

Probleemstelling
Huidige klinische instrumenten voor het beoordelen van de ziektelast, zoals de Elixhauser-comorbiditeitsindex, vertrouwen op dwarsdoorsneden van aanwezige aandoeningen op een specifiek moment. Hoewel deze effectief zijn voor het voorspellen van mortaliteit in het ziekenhuis en het gebruik van middelen, negeren ze cruciale longitudinale informatie: de timing, sequentie en het tempo van morbiditeitsaccumulatie. Hierdoor slagen ze er niet in de dynamische heterogeniteit van verouderingsverlopen te vangen, waarbij individuen met een vergelijkbare leeftijd en statische ziektelast fundamenteel verschillende toekomstige gezondheidsuitkomsten kunnen ervaren. De auteurs onderzoeken of longitudinale ziekenhuisdiagnosegeschiedenissen voorspellende informatie bevatten die verder gaat dan leeftijd, geslacht en gevestigde comorbiditeitsscores, en of sequentiemodellen deze informatie kunnen extraheren om uiteenlopende gezondheidstrajecten te identificeren.

Methodologie
De studie maakt gebruik van 13 jaar aan Oostenrijkse nationale gegevens over ziekenhuisopnames (1997–2009) die 7,4 miljoen patiënten beslaan. De aanpak bestaat uit een proces in twee fasen:

1. Contrastieve Pretraining (Ongesuperviseerd):

   • Architectuur: Een visit-niveau transformer (4-laagse BERT-stijl encoder) verwerkt patiëntgeschiedenissen als sequenties van ziekenhuisbezoeken.
   • Inputs: Elk bezoek wordt gecodeerd met ICD-10 diagnosecodes, de verstreken tijd sinds de vorige opname (gebinnd in maanden) en het geslacht van de patiënt.
   • Trainingsdoel: Het model maakt gebruik van contrastief zelfgesuperviseerd leren met een InfoNCE-loss. Het genereert twee stochastische, geaugmenteerde weergaven van de patiëntgeschiedenis via code-dropout en visit-subsampling. Het doel is om de gelijkenis tussen de embeddings van deze twee weergaven voor dezelfde patiënt te maximalen, terwijl de gelijkenis met andere patiënten in de batch wordt geminimaliseerd.
   • Output: Dit proces produceert een 32-dimensionale patiënt-geschiedenis-embedding die de structuur van longitudinale medische trajecten vastlegt zonder dat daarvoor outcome-labels nodig zijn.

2. Downstream Predictie (Gesuperviseerd):

   • Cohort: Een uit de dataset gehouden cohort van 1,7 miljoen individuen (follow-up 2010–2014).
   • Modellen: Vier modelklassen werden vergeleken:
     • Demografisch: Leeftijd en geslacht.
     • Comorbiditeit: Leeftijd, geslacht en Elixhauser-score.
     • Embedding: Leeftijd, geslacht en de geleerde patiënt-geschiedenis-embedding.
     • Gecombineerd: Alle kenmerken.
   • Outcomes:
     • Incident Disease Blocks: 131 specifieke ICD-10 ziekteblok-outcomes (A00–N99).
     • Event-Free Survival: Een samengestelde traject-niveau eindpunt gedefinieerd als het levend blijven zonder het accumuleren van een tweede eerder niet geregistreerd ICD-10 ziekteblok of overlijden in het ziekenhuis tijdens de 5-jarige follow-up.
   • Residuele Risicoanalyse: Om de waarde van de embedding te isoleren, berekenden de auteurs het "residuele risico" ($r_i = \hat{p}_{embedding} - \hat{p}_{comorbidity}$) voor patiënten met een vergelijkbaar basisrisico (gestratificeerd door leeftijd, geslacht en Elixhauser-decielen). Dit identificeerde patiënten waar de embedding een significant hoger of lager risico voorspelde dan het standaard comorbiditeitsmodel.

Belangrijkste Resultaten

• Voorspellende Prestaties:

  • Het embedding-model presteerde beter dan het demografische model voor 101 van de 131 ziekteblokken (mediaan AUC-winst +0,012) en dan het op Elixhauser gebaseerde comorbiditeitsmodel voor 93 van de 131 blokken (mediaan AUC-winst +0,006).
  • De winst was niet uniform; deze was geconcentreerd in mentale, musculoskeletale, zenuwstelsel en metabole stoornissen. De winst was verwaarloosbaar of afwezig voor neoplasmata, infectieziekten en huidaandoeningen.
  • Voor het samengestelde eindpunt 'event-free survival' bereikte het embedding-model een AUC van 0,726 vergeleken met 0,722 voor het comorbiditeitsmodel (winst +0,0037).

• Residueel Risico en Trajectdivergentie:

  • Onder patiënten met een bijna identiek voorspeld risico onder het comorbiditeitsmodel (gemiddeld risico ~0,53), vertoonden patiënten die door de embedding werden toegewezen aan een hoog residueel risico significant slechtere uitkomsten.
  • Event-Free Survival: Patiënten met een hoog-residueel risico hadden 132–183 minder event-vrije dagen over vijf jaar vergeleken met hun leeftijdsgenoten met een laag residueel risico.
  • Leeftijdsequivalentie: Patiënten met een hoog-residueel risico (bijv. leeftijd 50) vertoonden event-percentages die vergelijkbaar waren met patiënten met een laag-residueel risico die meer dan een decennium ouder waren (bijv. leeftijd 64).
  • Klinische Kenmerken: Het embedding-signaal correleerde met meetbare verschillen in de pre-landmark geschiedenis die niet door de Elixhauser-score werden gevangen: hogere visit-frequentie, grotere diagnostische diversiteit, meer getroffen ICD-10 hoofdstukken, snellere accumulatie van ziekteblokken en een kortere tijd sinds de laatste opname.

Betekenis en Claims
Het artikel claimt dat longitudinale ziekenhuisdiagnosegeschiedenissen informatie bevatten over toekomstige morbiditeitsaccumulatie die gecomprimeerd of verloren gaat in statische comorbiteits-samenvattingen. De primaire bijdrage is niet een massale uniforme toename in gemiddelde discriminatie (AUC), maar het vermogen om klinisch betekenisvolle heterogeniteit te onthullen onder patiënten die onder conventionele metrieken vergelijkbaar lijken.

De auteurs stellen dat contrastieve sequentiemodellen signalen kunnen extraheren die gerelateerd zijn aan de breedte, recentheid en het tempo van ziekteaccumulatie. Dit maakt de identificatie mogelijk van "verborgen" morbiditeitsaccumulatie-risico's, wat een traject-gebaseerde beschrijving biedt van de heterogeniteit in gezondheidsspanne die statische tellingen niet kunnen bieden. De studie suggereert dat hoewel de gemiddelde winsten in AUC bescheiden zijn, de identificatie van uiteenlopende trajecten bij patiënten met vergelijkbare statische lasten een belangrijke stap is naar het begrijpen van de dynamische aard van veroudering en multimorbiditeit.

Opmerkelijke Beperkingen
De auteurs erkennen expliciet dat de analyse beperkt is tot klinische opnames, waardoor poliklinische diagnoses, medicatie en levensstijlfactoren ontbreken. Ze merken op dat de bescheiden winsten de beperkingen van klinische opnamegegevens kunnen weerspiegelen of de inherente moeilijkheid van het voorspellen van brede morbiditeitsuitkomsten vanuit reeds informatieve baselines. Bovendien is de residuele risicoanalyse beschrijvend en identificeert het associaties in plaats van causaliteit of aanpasbare processen vast te stellen.