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

Technische Samenvatting: Bidirectionele voorspelling van comorbiditeitstransities tussen Diabetes en Hypertensie via RD-MMS

Probleemstelling
Het beheer van chronische ziekten zoals Diabetes Mellitus (DM) en Hypertensie (HTN) is sterk gespecialiseerd, wat leidt tot systematische blinde vlekken bij het identificeren van risico's tussen kruisende ziekten. Endocrinologen beheren doorgaans DM, terwijl cardiologen HTN beheren, waarbij vaak wordt nagelaten om te screenen op de bidirectionele transitierisico's tussen deze condities. Bestaande voorspellende modellen kampen met drie primaire beperkingen wanneer ze worden toegepast op klinische settings in de echte wereld:

1. Mismatch in databronnen: De meeste modellen vertrouwen op inpatient-data of populatieonderzoeken, die aanzienlijk verschillen van outpatient-data wat betreft informatiedichtheid en kwaliteit.
2. Unidirectionele modellering: Huidige benaderingen modelleren ziekteprogressie doorgaans in één richting (bijv. DM naar HTN), waardoor de taakasymmetrie die inherent is aan bidirectionele comorbiditeitstransities niet wordt gevangen.
3. Technische uitdagingen in outpatient-data: Real-world outpatient Elektronische Medische Dossiers (EMR's) presenteren uitdagingen zoals heterogeniteit tussen instrumenten in laboratoriumgegevens, hoge sparsiteit (lage dekking van laboratoriumtesten) en risico's op verborgen informatielekkage die de interne validatieprestaties kunstmatig opblazen.

Methodologie: Het RD-MMS-framework
Om deze uitdagingen aan te pakken, stellen de auteurs het Reference-Deviation-Aware Multimodal Stacking (RD-MMS) framework voor. Deze architectuur is ontworpen om de bidirectionele voorspelling van DM-naar-HTN en HTN-naar-DM transities uit te voeren met behulp van een grootschalige, real-world outpatient multimodale dataset (2023–2024) van het Beijing Pinggu Ziekenhuis.

Het framework bestaat uit vier kerncomponenten:

1. Reference-Deviation (RD) Encoding:

   • In plaats van conventionele Z-score of min-max normalisatie, die steunen op globale statistieken en gemiddelde-imputatie voor ontbrekende waarden vereisen, maakt RD-encoding gebruik van patiëntspecifieke referentie-intervallen die worden onderhouden door het Laboratorium Informatie Systeem (LIS).
   • Laboratoriumwaarden worden gecodeerd als relatieve afwijkingen: waarden binnen het normale bereik worden op nul gezet; abnormale waarden worden gecodeerd als directionele continue afwijkingen; en ontbrekende waarden (NaN) blijven intact.
   • Deze aanpak lost de heterogeniteit tussen instrumenten op en stelt boomgebaseerde modellen in staat om "niet getest" te gebruiken als een zwak negatief signaal, in plaats van ontbrekende gegevens als ruis te behandelen.

2. Multimodale Feature Fusie:

   • Het systeem integreert vijf heterogene featuretypes:
     • RD-gecodeerde numerieke features: Afgeleid van 107 kernindicatoren voor laboratoriumonderzoek.
     • Tekst-embeddings: BERT semantische embeddings (768 dimensies) en character-level TF-IDF (500 dimensies) geëxtraheerd uit klinische narratieven.
     • Bezoekgedragsstatistieken: Metrieken zoals bezoekdichtheid, intervallen en aantallen.
     • Richtlijngebaseerde klinische drempelwaarden: 20 features die abnormale staten coderen (bijv. bloeddrukgradaties, eGFR-stadia) op basis van ESC/ESH, ADA en CKD-EPI richtlijnen.
   • Deze features worden geconcateneerd om een hoogdimensionale inputvector (~2.357 dimensies) te vormen.

3. Vierdimensionale Lekcontrole (Leakage Control):

   • Om datalekken te voorkomen en te garanderen dat het model alleen informatie gebruikt die beschikbaar was vóór het indexbezoek, handhaaft de pipeline:
     • Patiënt-niveau splitsing: GroupKFold cross-validatie zorgt ervoor dat er geen overlap is tussen patiënten in de verschillende folds.
     • Temporele cutoff: Features zijn beperkt tot records gedateerd vóór de baseline.
     • Semantische masking: Ziektenamen en doelgerichte medicatie in tekst worden vervangen door [UNK] tokens; LIS jaarvelden worden gemaskeerd.
     • Within-fold preprocessing: Schaling en feature selectie worden uitsluitend gefit binnen de trainings-fold.

4. Stacking Ensemble:

   • Zes basismodellen (MLP, RF, LR, XGBoost, LightGBM, CatBoost) worden parallel getraind.
   • Een L2-geregulariseerde logistische regressie meta-learner integreert de out-of-the-fold (OOF) voorspellingen van de best presterende basismodellen om de uiteindelijke risicoscore te generen, wat overfitting vermindert.

Belangrijkste Resultaten
Het framework werd geëvalueerd op een ontwikkelingscohort (2023–2024) en een onafhankelijk 2025 holdout-cohort.

• Voorspellende Prestaties:

  • DM-naar-HTN: AUROC van 0,767 (Intern) en 0,748 (Extern).
  • HTN-naar-DM: AUROC van 0,735 (Intern) en 0,715 (Extern).
  • Het model presteerde beter dan alle baseline methoden (inclusclusief enkelvoudige XGBoost en logistische regressie) en bestaande benchmarks, ondanks dat de dekking van laboratoriumtesten in de outpatient-setting slechts 13–18% bedroeg.
  • De temporele drift op de externe cohort was minimaal (<1,5%), terwijl een standaard Random Forest model zonder OOF-mechanismen significant degradeerde (AUROC-daling van 0,122).

• Ablatie- en Perturbatiestudies:

  • RD Encoding: Semantische perturbatie (het willekeurig mismatchen van referentie-intervallen) veroorzaakte AUROC-dalingen van 0,028–0,030, wat bevestigt dat het model vertrouwt op klinische semantiek in plaats van enkel numerieke schaling.
  • Sparsity Robustheid: Naarmate de ontbrekende laboratoriumgegevens toenamen tot 90%, degradeerde de prestatie van het volledige multimodale model met slechts 0,059, vergeleken met 0,149 voor een model met enkel numerieke gegevens. Tekstfeatures boden een compenserende winst van tot liefst +0,110 AUROC in scenario's met hoge sparsiteit.
  • Lekcontrole: Masking van LIS jaarvelden verbeterde de AUROC met ~0,030, wat de impact van impliciete temporele lekkage benadrukt.
  • SMOTE Sensitiviteit: Het toepassen van SMOTE op boomgebaseerde modellen verstoorde de "niet getest"-signalen, wat leidde tot een prestatiedaling van 0,041; het beperken van SMOTE tot niet-boomgebaseerde modellen herstelde de prestaties.

• Klinische Bruikbaarheid:

  • Risicostratificatie: De top 10% risicogroep vertoonde een 2,9-voudige verrijking in event-rates vergeleken met de baseline.
  • Decision Curve Analysis (DCA): Het model vertoonde een superieur netto voordeel ten opzichte van "behandel-alle" en "behandel-geen" strategieën over drempelwaarschijnlijkheden van 2%–50%.
  • Feature Belangrijkheid: SHAP-analyse onthulde taakasymmetrie. DM-naar-HTN werd gedreven door vasculaire veroudering en bloeddruk, terwijl HTN-naar-DM zwaar werd beïnvloed door bezoekdichtheid en tekst-geëxtraheerde glucose-afwijkingen, wat de waarde van multimodale data onderstreept.

Betekenis en Claims
Het artikel beweert dat RD-MMS een volledig methodologisch paradigma biedt voor het construeren van betrouwbare voorspellingsmodellen voor chronische comorbiditeit vanuit real-world outpatient EMR's. De primaire bijdragen zijn:

1. Aanpak van Outpatient Specifieke Aspecten: Het biedt een systematische oplossing voor de specifieke technische uitdagingen van outpatient-data, inclusief lage laboratoriumdekking en heterogeniteit tussen instrumenten, waarbij prestaties worden behaald die vergelijkbaar zijn met inpatient-gebaseerde studies ondanks de lagere datakwaliteit.
2. Bidirectionele Asymmetrie: Het demonstreert dat bidirectionele modellering noodzakelijk is om taakniveau-informatieasymmetrie te onthullen (bijv. de verschillende voorspellende waarde van tekstfeatures in DM-naar-HTN versus HTN-naar-DM), wat unidirectionele modellen maskeert.
3. Robuustheid via Lekcontrole: Het stelt vast dat rigoureuze vierdimensionale lekcontrole en OOF-stacking cruciaal zijn voor temporele generaliseerbaarheid, waardoor geïflateerde interne validatiemetrieken die gebruikelijk zijn bij longitudinale EMR-studies worden voorkomen.
4. Klinische Inzetbaarheid: Het framework steunt uitsluitend op databronnen die universeel beschikbaar zijn in de eerstelijnszorg (EMR, LIS, bezoeklogs) en vereist geen specialistische interpretatie, wat implementatie in Hospital Information Systems mogelijk maakt om de diagnostische blinde vlekken tussen specialismen aan te pakken.
5. Generaliseerbaarheid: Het modulaire, configuratiegestuurde ontwerp maakt het mogelijk om het framework los te koppelen van specifieke ziektecategorieën, wat ondersteuning biedt voor potentiële uitbreiding naar andere chronische comorbiditeitsparen (bijv. CKD-DM) met minimale herconfiguratie.

De auteurs concluderen dat het framework er succesvol in is geslaagd de kloof tussen gespecialiseerd ziektebeheer en proactieve preventie van kruisende ziekten te overbruggen, en een inzetbaar technisch pad biedt voor precisiebeheer van chronische ziekten.