Structured Visual Evidence Decomposition for Evidence-Grounded Multimodal Screening of Obstructive Sleep Apnea-Hypopnea Syndrome

Resumo Técnico: Decomposição Estruturada de Evidência Visual para Triagem Multimodal de OSAHS Baseada em Evidências

Definição do Problema
A Síndrome da Apneia e Hipopneia Obstrutiva do Sono (OSAHS) é um distúrbio do sono prevalente com consequências cardiovasculares e neurocognitivas significativas. Embora a polissonografia (PSG) durante o sono seja o padrão de referência para o diagnóstico, ela é intensiva em recursos e difícil de escalar para avaliação preliminar de risco. Uma triagem pré-PSG eficaz requer a integração de fatores de risco clínicos estruturados (ex: IMC, circunferência do pescoço, comorbidades) com pistas morfológicas visíveis da craniofacial e do pescoço. No entanto, solicitar diretamente a modelos de fundação multimodais de uso geral (Modelos de Linguagem-Visão, VLMs) que emitam decisões médicas binárias frequentemente resulta em saídas instáveis e mal calibradas, como previsões negativas degeneradas ou chamadas positivas excessivas. O desafio consiste em organizar os modelos de fundação em um fluxo de trabalho que adquire, estrutura e adjudica evidências de uma maneira clinicamente controlada para priorizar a redução de casos perdidos sem realizar o diagnóstico autônomo.

Metodologia: O Framework EviOSAHS
Os autores propõem o EviOSAHS, um framework de raciocínio multimodal baseado em evidências que desacopla a aquisição de evidência anatômica baseada apenas em imagem da adjudicação clínica final. O fluxo de trabalho é estruturado em três estágios distintos:

1. Reconstrução de Resumo Clínico Estruturado:
   Variáveis clínicas estruturadas (idade, sexo, IMC, circunferência do pescoço, relação cintura-quadril e comorbidades) são convertidas em um resumo clínico limpo e padronizado. Crucialmente, este resumo é retido durante a fase de análise visual para evitar que vieses clínicos contaminem as observações derivadas da imagem. Nenhum valor de AHI ou rótulo de gravidade é incluído para evitar o vazamento de dados (data leakage).

2. Aquisição de Evidência Visual Específica de Anatomia:
   Em vez de pedir ao VLM para diagnosticar a OSAHS diretamente, a imagem facial frontal é decomposta em sete consultas anatômicas fixas direcionadas a regiões específicas: pescoço, queixo, boca, gordura facial/pescoço, mandíbula inferior, região médio-facial e nariz.

   • O VLM atua estritamente como um observador anatômico, limitado a relatar observações visuais e níveis de visibilidade (alta/média/incerta) para cada consulta.
   • Diagnóstico direto, recomendações de tratamento ou estimativa de gravidade são explicitamente proibidos no prompt.

3. Construção de Cartões de Evidência:
   Cada observação visual é analisada e convertida em um cartão de evidência estruturado. Estes cartões contêm:

   • Alvo anatômico e observação visual.
   • Avaliação de visibilidade.
   • Direção do risco (apoia/contra/incerto).
   • Força da evidência (fraca/moderada/forte).
   • Confiança relatada pelo modelo (baixa/média/alta).
   • Um resumo conciso da evidência.
     Este passo transforma descrições visuais de texto livre em dados estruturados e auditáveis.

4. Adjudicação Clínica Final Única:
   No estágio final, os sete cartões de evidência estruturados são integrados ao resumo clínico limpo. Um Modelo de Linguagem Grande (LLM) realiza uma adjudicação de triagem binária equilibrada. O modelo é instruído a comparar explicitamente as evidências de suporte, de oposição e incertas antes de emitir um rótulo final de triagem-positivo ou triagem-negativo. Isso garante que a decisão seja baseada em um traço de evidência agregado e revisável, em vez de uma geração sem restrições.

Principais Contribuições

1. Formulação da Tarefa: O estudo reformula a avaliação de OSAHS como uma tarefa de triagem binária de alta sensibilidade pré-PSG, separando explicitamente a identificação de triagem do diagnóstico autônomo e da graduação de gravidade.
2. Framework Baseado em Evidências: O EviOSAHS introduz um fluxo de trabalho em estágios onde os VLMs são limitados à observação anatômica baseada apenas na imagem, convertendo as respostas em cartões de evidência estruturados e auditáveis.
3. Estratégia de Separação Temporal: O framework adia a introdução de informações clínicas estruturadas até o estágio de decisão final, reduzendo o risco de que vieses clínicos sobreponham as observações fundamentadas na imagem.
4. Avaliação Unificada: O método é avaliado em uma coorte de 642 sujeitos contra o uso de prompting apenas clínico, prompting multimodal direto, pipelines de dois estágios ingênuos e várias variantes de ablação, apoiado por testes estatísticos pareados e auditorias de saída visual.

Resultados Experimentais
O framework foi avaliado em uma coorte retrospectiva de 642 sujeitos (584 triagem-positivos, 58 triagem-negativos).

• Desempenho: O EviOSAHS alcançou 88,47% de acurácia, 94,86% de sensibilidade, 93,74% de F1-score e uma taxa de falso-negativo (FNR) de 5,14%.
• Vantagem Comparativa: Superou significativamente o prompting apenas clínico, o prompting multimodal direto (que frequentemente colapsava para saídas degeneradas) e os pipelines de dois estágios ingênuos. Testes de McNemar pareados confirmaram vantagens ao nível da amostra sobre todos os comparadores.
• Estudos de Ablação: A remoção da decomposição visual de sete perguntas reduziu a sensibilidade em 22,95 pontos percentuais, e a remoção da adjudicação final equilibrada reduziu a sensibilidade em 19,18 pontos percentuais, confirmando que a decomposição estruturada e a prestação de contas de evidência equilibrada são críticas para o ponto de operação de alta sensibilidade.
• Auditabilidade: Uma auditoria de nível de pergunta de 4.494 saídas visuais mostrou uma taxa de análise estruturada de 100% e uma taxa de alta visibilidade de 93,88%, sustentando a confiabilidade do estágio de aquisição de evidência baseada apenas na imagem.

Significância e Alegações
O artigo afirma que a decomposição estruturada de evidência visual pode organizar modelos de fundação multimodais de uso geral em um fluxo de trabalho auditável e de alta sensibilidade para triagem binária de OSAHS pré-polissonografia. Ao converter descrições visuais em cartões de evidência estruturados e exigir uma adjudicação equilibrada, o framework permite a análise de erro direcionada e a interpretação voltada ao clínico.

Os autores declaram explicitamente que o EviOSAHS deve ser interpretado como um assistente de triagem pré-polissonografia, e não como um sistema de diagnóstico definitivo. O framework prioriza a redução de casos perdidos, mas reconhece que a calibração é necessária quando múltiplos sinais de risco fracos se acumulam para evitar encaminhamentos desnecessários. O estudo conclui que a validação prospectiva, o teste externo e o controle do ponto de operação calibrado são necessários antes da implantação clínica. O trabalho não pretende substituir a PSG ou fornecer diagnóstico autônomo, mas sim fornecer evidências revisáveis para apoiar a supervisão clínica em cenários de triagem de alto risco.