Timesynth: A Temporal Fidelity Framework for Health Signal Digital Twins

Technische Samenvatting: TimeSynth: Een Framework voor Temporele Getrouwheid in Digitale Tweelingen van Gezondheidssignalen

Probleemstelling
De ontwikkeling van digitale tweelingen voor gezondheidssignalen—patiëntspecifieke computationele systemen die toekomstige biologische toestanden voorspellen—is afhankelijk van voorspellingsmodellen voor fysiologische tijdreeksen. De huidige evaluatiepraktijken kampen echter met een fundamentele kloof tussen voorspellingsnauwkeurigheid en fysiologische getrouwheid. Standaard puntgewijze metrieken, zoals Mean Squared Error (MSE) en Mean Absolute Error (MAE), kwantificeren numerieke overeenstemming, maar detecteren het niet van het verlies van kritieke dynamische eigenschappen, waaronder oscillatoire structuur, frequentiegehalte, fase-relaties en toestandsveranderingen.

De auteurs stellen dat deze beperking een "blinde vlek" creëert waarbij modellen met vergelijkbare puntgewijze fouten de onderliggende fysiologische processen op drastisch verschillende manieren kunnen representeren. Een model kan bijvoorbeeld de signaalamplitude nauwkeurig reproduceren, terwijl het aanzienlijk afwijkt in fase of frequentie. Omdat echte klinische opnames geen analytisch bekende grondwaarheid-trajecten hebben voor amplitude, frequentie en fase, is het onmogelijk om deze specifieke foutmodi in real-world data te ontrafelen. Bijgevolg kunnen modellen betrouwbaar lijken volgens standaard benchmarks, terwijl ze falen in het behouden van de timing en het ritme die essentieel zijn voor klinische toepassingen zoals aritmiedetectie of slaapstadia-analyse.

Methodologie: Het TimeSynth Framework
Om dit aan te pakken, introduceren de auteurs TimeSynth, een gecontroleerd benchmarking-framework ontworpen om de dynamische getrouwheid van voorspellingsarchitecturen te evalueren voordat ze aan patiëntgegevens worden gekoppeld. Het framework bestaat uit twee primaire componenten:

1. Fysiologisch Gegronde Synthetische Generator:

   • In plaats van willekeurige synthetische data te gebruiken, past het framework gesloten vorm parametrische modellen toe op echte opnames van drie publieke datasets: MIT-BIH Arrhythmia (ECG), PPG-DaLiA (PPG/BVP) en CHB-MIT Scalp EEG (EEG).
   • Deze parametrische modellen (Drift-Harmonic, Single Phase-Modulated, en Dual Phase-Modulated) genereren synthetische tijdreeksen met analytisch bekende grondwaarheid voor amplitude, instantane frequentie en instantane fase op elk tijdstip.
   • De generator ondersteunt gecontroleerde perturbaties om modellen onder druk te testen: additieve Gaussische ruis, verschuivingen in frequentieverdeling, deterministische toestandsveranderingen en stochastische Markov-schakelingen.

2. Fidelity Diagnostics (Getrouwheidsdiagnostiek):

   • In plaats van uitsluitend te vertrouwen op geaggregeerde fouten, gebruikt TimeSynth aparte diagnostiek om vier dimensies van getrouwheid te kwantificeren: de preservatie van Amplitude, Frequentie, Fase en Toestandsverandering.
   • Fasefout wordt berekend via het analytische signaal (Hilbert-transformatie), en frequentiefout wordt afgeleid van de piekverfijning van het vermogensspectrum. De getrouwheid van toestandsveranderingen wordt beoordeeld met behulp van een gestandaardiseerde twee-toestands Gaussian Hidden Markov Model (HMM) probe om de herstel van schakelstatistieken te meten via symmetrische Kullback-Leibler (KL) divergentie.

Experimentele Opzet
Het framework werd gebruikt om 11 voorspellingsarchitecturen te evalueren, verspreid over vier families van inductieve bias:

• Lineair: Linear, DLinear, FITS.
• MLP-gebaseerd: MLinear, NBeats, FreMLP.
• Convolutioneel/Patch-gebaseerd: MICN (Regre en Mean varianten), ModernTCN, PatchTST.
• Full-sequence Attention: Transformer, Autoformer.

Modellen werden getest over vijf paradigma's: schone reconstructie, ruiscorruptie, frequentieverdeling-shift, deterministische toestandsveranderingen en stochastische Markov-schakelingen.

Belangrijkste Resultaten
De studie onthult een systematische dissociatie tussen puntgewijze nauwkeurigheid en dynamische getrouwheid:

• Puntgewijze Metrieken Misleiden: Modellen met vergelijkbare MAE vertoonden fasefouten die tot wel 53° verschilden (ongeveer 123 ms voor een 1,2 Hz cardiale ritme). Lineaire en full-sequence attention modellen bereikten vaak een lage MAE, terwijl ze significante fase- en frequentie-informatie verloren.
• Localiteit Behoudt Getrouwheid: Architecturen met gelokaliseerde temporele verwerking (PatchTST, MICN, ModernTCN) behielden consistent de oscillatoire structuur, fase en frequentie onder ruis en distributieverschuivingen. In tegen tegenstelling hiertoe degradeerden globale mappingen en full-sequence attention modellen (Transformer, Autoformer) frequent, vooral onder multi-frequentie modulatie.
• Adaptatiesnelheid: In deterministische toestandsveranderingen pasten gelokaliseerde modellen (PatchTST en ModernTCN) zich aan nieuwe toestanden aan binnen 6 tijdstappen (0,6 s bij 10 Hz), terwijl full-sequence attention modellen ~40 tijdstappen nodig hadden (4 s) om te herstellen, omdat globale aandacht bewijs van de transitie over de context verspreidde.
• Beperking bij Stochastisch Schakelen: Geen enkele architectuur behield stochastische schakelingsdynamiek betrouwbaar. Hoewel PatchTST enige gedeeltelijke herstel liet zien in scenario's met een hoge waarschijnlijkheid van schakeling, faalden deterministische punt-voorspellers over het algemeen in het reproduceren van de transitie-statistieken van de grondwaarheid, wat wijst op een fundamentele beperking van huidige deterministische benaderingen voor stochastische fysiologische processen.
• Pareto-analyse: PatchTST kwam naar voren als het enige model dat een genormaliseerde score van 0,8 over alle vijf de evaluatiedimensies (clean, noise, shift, transition, en Markov fidelity) overschreed, wat de meest gebalanceerde prestatie demonstreerde.

Betekenis en Claims
Het artikel positioneert TimeSynth niet als een tool om één enkel "beste" model te vinden, maar als een geprincipleerd, use-case-gestuurd framework voor modelselectie en verificatie. De auteurs beweren:

1. Verificatiekloof: De huidige ontwikkeling van digitale tweelingen mist frameworks voor het verifiëren of voorspellingen fysiologisch betekenisvol gedrag behouden. TimeSynth biedt de "gecontroleerde preklinische stresstest" die vereist is door de National Academies of Sciences, Engineering, and Medicine (NASEM) voor verificatie, validatie en onzekerheidskwantificering (VVUQ).
2. Architecturale Determinisme: De dominante determinant van getrouwheid is architectuur. De keuze voor een model moet worden gedreven door de specifieke dynamische eigenschappen die vereist zijn voor de use-case (bijv. ruisbestendigheid voor ambulante monitoring versus snelle adaptatie voor ICU-toestandswijzigingen) in plaats van een zoektocht naar een universele winnaar op basis van geaggregeerde fouten.
3. Ontwikkelingsinfrastructuur: TimeSynth biedt herbruikbare infrastructuur voor getrouwheidsbewuste ontwikkeling, wat het mogelijk maakt om gecontroleerde grondwaarheid-signalen voor pretraining te genereren en interpreteerbare diagnostiek te bieden om te identificeren welke dynamische eigenschappen een architectuur behoudt of vernietigt.

De auteurs concluderen dat hoewel gelokaliseerde temporele verwerking (met name PatchTST) momenteel de sterkste kandidaat biedt voor digitale tweelingen van gezondheidssignalen, het onvermogen van elke huidige architectuur om stochastische schakeling betrouwbaar te vangen, wijst op een noodzaak voor toekomstige modellen met expliciete latente-toestand of probabilistische mechanismen.