A Unified Three-Stage Machine Learning Framework for Diabetes Detection, Subtype Discrimination, and Cognitive-Metabolic Hypothesis Testing

Resumo Técnico: Um Framework Unificado de Três Estágios para Aprendizado de Máquina na Detecção de Diabetes, Discriminação de Subtipos e Teste de Hipóteses Cognitivo-Metabólicas

Declaração do Problema
As abordagens atuais de aprendizado de máquina (ML) para previsão de diabetes mellitus enfrentam três limitações primárias: (1) Incompletude de métricas, onde estudos frequentemente priorizam a acurácia em detrimento de métricas clinicamente críticas como recall e ROC-AUC, potencialmente omitindo falsos negativos; (2) Falta de discriminação de subtipos, onde o diabetes Tipo 1 (T1DM) e Tipo 2 (T2DM) são frequentemente conflados em uma única classe binária, apesar de etiologias e necessidades de manejo distintas; e (3) Vínculos cognitivo-metabólicos inexplorados, especificamente a hipótese do "Diabetes Tipo 3" (T3DM), que postula uma via neurodegenerativa impulsionada por resistência à insulina central, permanecendo computacionalmente não testada em dados longitudinais públicos.

Metodologia
Os autores propõem um framework reprodutível de três estágios, utilizando três conjuntos de dados distintos: o Conjunto de Dados de Diabetes NCSU (coorte mista indiana), o Banco de Dados de Diabetes dos Índios Pima (para benchmarking) e o Conjunto de Dados Cognitivos Longitudinais de Ohio (n=373).

• Estágio 1: Detecção Binária de Diabetes e Explicabilidade

  • Pré-processamento de Dados: Sintomas categóricos foram binarizados; valores zero fisiologicamente impossíveis foram imputados com medianas; outliers foram filtrados via IQR; e as características foram padronizadas.
  • Modelagem: Cinco classificadores supervisionados (SVM-RBF, Regressão Logística, Random Forest, Extra Trees, Gradient Boosting) e um Ensemble de Empilhamento foram treinados usando validação cruzada estratificada de 5 dobras.
  • Avaliação: Os modelos foram avaliados usando seis métricas: Acurácia, Acurácia Balanceada, Precisão, Recall, F1-score e ROC-AUC.
  • Explicabilidade: Valores SHAP (SHapley Additive exPlanations) foram computados usando um TreeExplainer no ensemble de árvores de melhor desempenho para identificar biomarcadores preditivos dominantes.

• Estágio 2: Agrupamento de Subtipos Não Supervisionado

  • Coorte: Restrito a casos de diabetes confirmados (DO=1) do conjunto de dados NCSU.
  • Características: Glicose, Insulina e Idade foram selecionadas com base na relevância fisiológica para a diferenciação T1DM/T2DM.
  • Algoritmo: Agrupamento K-Means foi aplicado com $k$ variando de 2 a 8.
  • Validação: O $k$ ótimo foi determinado usando três índices de validade interna: Coeficiente de Silhueta, Índice Davies-Bouldin e Pontuação Calinski-Harabasz.

• Estágio 3: Teste da Hipótese T3DM

  • Hipótese 1 (H1): Testada para diferenças significativas no Controle Glicêmico entre três grupos cognitivos (Não demenciados, Demenciados, Convertidos) usando ANOVA unidirecional de Kruskal-Wallis.
  • Hipótese 2 (H2): Testada para uma associação monótona entre Controle Glicêmico e Função Cognitiva (COG-FUNC) usando correlação de postos de Spearman, com correção de Holm-Bonferroni aplicada para comparações múltiplas.

Principais Resultados

• Classificação Binária:

  • Desempenho: SVM-RBF e Regressão Logística alcançaram o maior ROC-AUC ($0,825 \pm 0,026$ e $0,825 \pm 0,034$, respectivamente). Random Forest alcançou a maior acurácia bruta ($0,762$) mas o menor recall ($0,556$), indicando uma alta taxa de casos de diabetes não detectados.
  • Conjunto de Teste: No conjunto de teste retido, SVM-RBF alcançou um recall de $0,741$ e um ROC-AUC de $0,800$.
  • Explicabilidade: A análise SHAP identificou Glicose, IMC e Idade como os biomarcadores preditivos dominantes. Características como Polifagia e Fumante mostraram contribuição preditiva marginal ($|SHAP| < 0,05$).

• Agrupamento de Subtipos:

  • Validação: Uma solução de 2 clusters ($k=2$) foi selecionada com base em uma pontuação de Silhueta de $\approx 0,116$ e parcimônia clínica.
  • Perfis: O Cluster 0 exibiu mediana de Insulina mais baixa e idade mais jovem (alinhando-se com fenótipos T1DM), enquanto o Cluster 1 mostrou mediana de Insulina mais alta e idade mais avançada (alinhando-se com fenótipos T2DM). Os autores notam que a separação é moderada, refletindo a sobreposição biológica entre os subtipos.

• Associação Cognitivo-Metabólica:

  • Diferenças entre Grupos: O teste de Kruskal-Wallis não encontrou diferenças significativas no Controle Glicêmico entre os grupos cognitivos ($p = 0,541$).
  • Correlação: Uma correlação positiva de Spearman estatisticamente significativa foi encontrada entre Controle Glicêmico e Função Cognitiva ($\rho_s = 0,208, p = 5,29 \times 10^{-5}$). Este resultado sobreviveu à correção de Holm ($p_{Holm} = 1,06 \times 10^{-4}$), apoiando uma associação positiva moderada onde uma melhor regulação metabólica coocorre com maior função cognitiva.

Significado e Alegações
O artigo alega avançar a pesquisa em diabetes ao longo de três eixos:

1. Desempenho de Detecção: Ao priorizar recall e ROC-AUC em detrimento da acurácia bruta, o framework aborda a necessidade clínica de minimizar falsos negativos na triagem.
2. Interpretabilidade Clínica: O uso de SHAP fornece explicações pós-hoc, agnósticas ao modelo, que mapeiam diretamente para biomarcadores clínicos estabelecidos, aumentando a confiança nos resultados de ML.
3. Escopo Multi-Tipo: O framework vai além da detecção binária para oferecer um proxy não supervisionado para discriminação de subtipos e fornece a primeira corroborção computacional, com dados abertos, da hipótese T3DM usando teste de hipóteses estatísticas em dados cognitivos longitudinais.

Os autores enfatizam que o framework foi projetado para reprodutibilidade, com todo o código e etapas de processamento de dados lançados como um notebook Jupyter anotado. Eles notam modestamente limitações, incluindo a falta de rótulos de subtipos de verdade fundamental para o estágio de agrupamento e a natureza transversal da análise cognitiva, o que limita a inferência causal em relação ao T3DM.