Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health

Technische Samenvatting: Voorbij AHI: Een Interpreteerbaar Causaliteitsontdekkingsgestuurd Raamwerk voor Slaapherstel in Connected Health

Probleemstelling
De huidige klinische slaambevalatie leunt zwaar op de Apneu-Hypopneu Index (AHI) en andere samenvattende indices afgeleid van polysomnografie (PSG). Hoewel deze metrieken nuttig zijn voor het diagnosticeren van specifieke slaapstoornissen, schieten ze vaak tekort in het vastleggen van de geïntegreerde fysiologische belasting die ten grondslag ligt aan functioneel herstel. Als gevolg hiervan bestaat er een hardnekkige discrepantie tussen objectieve slaappysiologie en patiëntgerapporteerde uitkomsten (PRO's), zoals slaperigheid overdag, vermoeidheid en waargenomen slaapkwaliteit. Bovendien fungeren bestaande machine learning-benaderingen voor PSG-analyse vaak als "black boxes" die geoptimaliseerd zijn voor voorspellende associatie in plaats van mechanistische interpreteerbaarheid, wat hun bruikbaarheid in klinisch vertrouwen en vertaling naar connected health-technologieën beperkt. De uitdaging ligt in het vertalen van continue, multimodale biosignalen naar klinisch interpreteerbare herstelmetrieken die een multidomein fysiologie reflecteren in plaats van geïsoleerde gebeurteniscounts.

Methodologie
De auteurs stellen een door causaliteitsontdekking gestuurd raamwerk voor om een hiërarchische Sleep Recovery Score (SRS) af te leiden uit multimodale PSG-data. Het raamwerk werkt via een gestructureerde vijfstaps pijplijn toegepast op twee onafhankelijke populatiecohorten: MESA ($n=1.540$) en MrOS ($n=825$).

1. Kenmerkconstructie & Uitkomstselectie: De studie maakt gebruik van een brede set fysiologische kenmerken verspreid over vijf domeinen: respiratoire belasting, hypoxische belasting, slaapfragmentatie, slaaparchitectuur en autonome regulatie. Deze zijn gekoppeld aan herstelgerelateerde PRO's (bijv. Epworth Sleepiness Scale, vermoeidheid, waargenomen slaapkwaliteit).
2. Causale Graafschatting: Met behulp van het lineaire NOTEARS-algoritme schatten de auteurs een ijle Directed Acyclic Graph (DAG) in om kandidaat-fysiologische drijfveren voor elke PRO te identificeren. Om robuustheid te garanderen, maken zij gebruik van bootstrap stability selection (500 resamples), waarbij alleen randen met een selectiefrequentie $\ge 0,6$ worden behouden.
3. Tweestaps Kandidaat-screening: Om de beperkingen van observationele data aan te pakken en fysiologische plausibiliteit te waarborgen, wordt een rigoureus screeningsproces toegepast:
   • Fase 1 (Fysiologie-gebaseerd): Randen die inconsistent zijn met gevestigde slaapmechanismen (bijv. het verwijderen van demografische proxies zoals leeftijd of ras die fungeren als structurele confounders) worden eruit gefilterd.
   • Fase 2 (Beperkte LLM-ondersteunde Audit): Resterende kandidaten ondergaan een gestructureerd classificatieprotocol met behulp van een beperkt Large Language Model (LLM). Kenmerken worden geclassificeerd als plausibele mechanistische drijfveren, structurele confounders of construct-overlappende leakage-variabelen (bijv. subjectieve maten die door constructie gecorreleerd zijn met de doelvariabele). Alleen kenmerken die door beide lagen als plausibele drijfveren zijn geclassificeerd, gaan verder.
4. Consensusaggregatie: Mechanismen worden alleen behouden als ze in ten minste twee verschillende hersteluitkomsten voorkomen, wat de uitkomstspecifieke ruis vermindert.
5. Hiërarchische Score Synthese: Behouden kenmerken worden gegroepeerd in de vijf fysiologische domeinen. Domeinscores worden berekend als gewogen sommen van genormaliseerde kenmerken, waarbij gewichten proportioneel zijn aan de randmagnitude en stabiliteit. De uiteindelijke SRS is een hiërarchische aggregatie van deze domeinscores, gestandaardiseerd binnen elk cohort.

Belangrijkste Bijdragen

• Interpreteerbare Multidomein Modellering: Het artikel introduceert een hiërarchische SRS die verder gaat dan enkelvoudige respiratoire indices (zoals AHI) door expliciet multimodale PSG te koppelen aan patiëntgerapporteerde hersteluitkomsten via een transparant, domein-gestructureerd raamwerk.
• Causaliteitsontdekking-gestuurde Mechanisme Identificatie: De auteurs passen een door DAG-gebaseerde causaliteitsontdekking verfijnd door fysiologische beperkingen en beperkte LLM-ondersteunde auditing toe om recurrente, fysiologisch interpreteerbare hersteldomeinen te extraheren.
• Cross-Cohort Bewijs voor Connected Health: Het raamwerk toont een consistente convergentie op vijf fysiologische domeinen over twee verschillende cohorten, wat een sterkere afstemming laat zien met ervaren herstel dan AHI. Dit ondersteunt de vertaling van herstelmodellering naar gedistribueerde en draagbare sensorische systemen (bijv. draagbare ECG, oximetrie) die subsets van deze domeinen vastleggen.

Resultaten

• Mechanistische Convergentie: Over zowel MESA als MrOS heen identificeerde het raamwerk consistent vijf fysiologische domeinen die geassocieerd zijn met een verminderd herstel: respiratoire belasting, hypoxische belasting, slaapfragmentatie, slaaparchitectuur (inclusclusief EEG-dynamiek) en autonome regulatie.
• Kenmerkdistillatie: In MESA distilleerde het proces 53 initiële kenmerken tot 32 consensusmechanismen. In MrOS werden 174 kenmerken teruggebracht tot 28. Structurele covariaten (leeftijd, geslacht, ras) en construct-overlappende variabelen werden succesvol uitgesloten.
• Associatie met Uitkomsten: De SRS toonde statistisch significante associaties met vier van de vijf hersteluitkomsten, terwijl AHI slechts voor één uitkomst significant was.
  • In MESA toonde de SRS significante correlaties met de Epworth Sleepiness Scale ($\rho = 0,098$) en slaperigheid overdag ($\rho = 0,074$), terwijl AHI voor beide niet-significant was.
  • In MrOS correleerde de SRS significant met waargenomen slaapkwaliteit ($\rho = 0,107$) en problemen met doorslapen ($\rho = 0,111$), terwijl AHI niet-significant was.
• Prestatiewinst: De SRS vertoonde een tot 2,5× sterkere afstemming met waargenomen hersteluitkomsten vergeleken met AHI in specifieke gevallen (bijv. waargenomen slaapkwaliteit in MrOS).

Significantie en Claims
Het artikel claimt dat herstellende slaap beter wordt gekarakteriseerd als een multidomein fysiologisch construct dan als een enkele respiratoire index. Het voorgestelde raamwerk beoogt niet de specifieke ziekte-gerichte metrieken zoals AHI te vervangen, maar dient deze eerder aan te vullen door de bredere fysiologische basis van herstel vast te leggen. Door de multimodale slaappysiologie expliciet te koppelen aan patiëntgerichte uitkomsten via een interpreteerbaar, bias-bewust en domein-gestructureerd raamwerk, biedt dit werk een praktisch fundament voor herstelmodellering in zowel klinische slaapstudies als opkomende smart/connected health-omgevingen. De auteurs benadrukken dat de SRS de mogelijkheid biedt om de drijfveren van herstel te deconstrueren (bijv. het onderscheid maken tussen hypoxische belasting en autonome dysregulatie), wat gerichte interventies mogelijk maakt die traditionele AHI-gebaseerde beoordelingen niet kunnen ondersteunen.

Opmerking over Beperkingen: De auteurs erkennen bescheiden dat de analyse transversaal is en geen temporele causaliteit vaststelt. Ze merken op dat de lineaire NOTEARS-formulering niet-lineaire interacties kan missen en dat de LLM-ondersteunde audit, hoewel consistent, steunt op beperkte prompts in plaats van directe beoordeling door domeinexperts. Correlaties met subjectieve uitkomsten waren bescheiden, wat de multifactoriële aard van waargenomen herstel reflecteert.