Resumo Técnico: Desentrelaçamento de Vias de Risco Latentes via Inferência de Hipergrafos Bayesianos

1. Definição do Problema

Os Registros Eletrônicos de Saúde (EHR) apresentam um desafio complexo de modelagem multi-doença caracterizado por duas dificuldades primárias:

1. Prevalência de Doenças de Cauda Longa: Embora algumas condições crônicas sejam comuns, a maioria das doenças é rara, fornecendo dados insuficientes para uma estimativa estável e independente.
2. Dependências de Ordem Superior Complexas: As doenças não compartilham fatores de risco de forma uniforme. Diferentes drivers de risco (ex: idade vs. tabagismo) organizam as doenças em vias distintas, sobrepostas e incertas. Os modelos existentes frequentemente falham em capturar essa estrutura:
   • Modelos independentes (ex: regressão logística) ignoram a estrutura compartilhada, levando a uma calibração de incerteza deficiente para desfechos raros.
   • Modelos multi-tarefa de caixa-preta (ex: redes neurais) entrelaçam fatores de risco em um único espaço latente, obscurecendo vias etiológicas específicas e oferecendo interpretabilidade limitada.
   • Modelos probabilísticos estruturados frequentemente agregam correlações entre todos os fatores em vez de desentrelaçar a organização específica de cada fator de risco, ou enfrentam dificuldades para escalar para conjuntos de dados modernos de EHR.

O desafio central é aprender estruturas latentes sobrepostas e específicas de cada fator de risco sobre desfechos de doenças, enquanto quantifica explicitamente a incerteza, sem sacrificar o desempenho preditivo.

2. Metodologia: Inferência de Via de Hipergrafo Bayesiano (BHPI)

Os autores propõem o BHPI, um framework que reformula a modelagem de múltiplas doenças como a descoberta de vias de doenças latentes, moduladas por fatores de risco, utilizando um hipergrafo bayesiano.

2.1. Arquitetura do Modelo

• Representação de Hipergrafo Latente: As doenças são nós ($V$) e as vias são hiperarestas ($E$). Diferente de grafos padrão onde arestas conectam pares, hiperarestas podem conectar subconjuntos de doenças, permitindo relações de ordem superior.
• Modelo de Observação: Os desfechos das doenças seguem um modelo logístico multivariado onde o preditor linear $\tilde{\eta}_{i,v}$ inclui um baseline específico da doença e efeitos de fatores de risco.
• Efeitos de Atributos Estruturados: Em vez de estimar coeficientes específicos da doença $\beta_v$ de forma independente, o BHPI os induz a partir de efeitos ao nível da hiperaresta ($\mu_{j,e}$):
  $$\beta_{j,v} = d_v^{-1} \sum_{e=1}^E H_{v,e} \mu_{j,e}$$
  onde $H_{v,e}$ é a matriz de incidência que indica se a doença $v$ pertence à via $e$.
• Esparsidade Hierárquica: O modelo utiliza uma priori hierárquica para aprender a estrutura do hipergrafo:
  • Existência: Indicadores binários $z_e$ determinam se uma hiperaresta existe.
  • Membro-pertencimento: Condicional à existência, indicadores binários $m_{v,e}$ determinam o pertencimento da doença.
  • Seleção de Atributos: Prioris spike-and-slab determinam quais fatores de risco influenciam hiperarestas específicas.

2.2. A Priori de Repulsão

Uma inovação crítica é a priori de repulsão aplicada às associações entre atributos e hiperarestas. Ela penaliza a seleção de hiperarestas altamente sobrepostas para o mesmo fator de risco.

• Objetivo: Evitar o "colapso da estrutura latente", onde múltiplas hiperarestas redundantes explicam o mesmo fator de risco.
• Mecanismo: Ela incentiva uma estrutura parcimoniosa e identificável, onde um único fator de risco ativa vias distintas e não redundantes, enquanto permite que diferentes fatores de risco compartilhem grupos de doenças sobrepostos.

2.3. Inferência Variacional Estruturada Escalável

A inferência da posteriori é desafiadora devido a verossimilhanças não conjugadas e restrições lógicas rígidas (ex: se uma hiperaresta não existe, seus membros não podem existir).

• Aumentação Polya-Gamma: Utilizada para lidar com a verossimilhança logística não conjugada, tornando-a condicionalmente Gaussiana.
• Família Variacional Estruturada: A inferência variacional de campo médio (VI) padrão assume independência, o que quebra as dependências lógicas entre existência, membro-pertencimento e efeito. Os autores desenvolvem um algoritmo de VI estruturado que preserva explicitamente essas dependências condicionais (ex: $q(m_{v,e} | z_e)$).
• Atualizações Sensíveis à Repulsão: As atualizações de ascensão de coordenadas incorporam a sobreposição esperada entre hiperarestas para aplicar a priori de repulsão, garantindo a descoberta de uma topologia latente esparsa e interpretável.

3. Principais Contribuições

1. Framework: Introdução de um framework de inferência de via de hipergrafo bayesiano que modela vias de doenças como hiperarestas latentes moduladas por fatores de risco específicos, permitindo a descoberta de estrutura de ordem superior e sobreposta.
2. Algoritmo: Desenvolvimento de um algoritmo de inferência variacional estruturada escalável que preserva dependências lógicas (existência $\to$ membro-pertencimento $\to$ efeito) e incorpora uma priori de repulsão para identificabilidade, superando as limitações das aproximações de campo médio padrão.
3. Validação: Avaliação abrangente em dados simulados e no UK Biobank, demonstrando recuperação estável de vias, melhor estimativa para doenças raras e incerteza bem calibrada.

4. Resultados Experimentais

4.1. Dados Simulados

• Desempenho Preditivo: O BHPI alcançou pontuações de AUC competitivas (aprox. 75%), comparáveis à regressão logística otimizada e superiores a baselines de árvore e multi-rótulo (ex: LightGBM, Classifier Chains).
• Recuperação Estrutural: O modelo recuperou com precisão a estrutura do hipergrafo latente da verdade fundamental (AUC > 96% para incidência de hiperaresta e associações de fatores de risco).
• Estudo de Ablação: A remoção da priori de repulsão ($\lambda=0$) não impactou significativamente a precisão preditiva, mas levou a hiperarestas redundantes e instáveis. A priori mostrou-se essencial para a identificabilidade e interpretabilidade, não apenas para a predição.

4.2. Aplicação ao UK Biobank

• Dataset: $N \approx 277.291$ participantes, 71 fatores de risco e 66 desfechos de doenças crônicas (variando de comuns a extremamente raras).
• Estabilidade de Doenças Raras: O BHPI demonstrou desempenho robusto para doenças de baixa prevalência, superando os baselines que exibiram alta variância e instabilidade no regime de doenças raras.
• Calibração: O BHPI alcançou excelente calibração preditiva (ECE < 0.01), comparável à regressão logística.
• Interpretabilidade:
  • Desentrelaçamento: O modelo separou com sucesso vias de risco divergentes. Por exemplo, o "Tabagismo" foi vinculado a vias distintas para doenças respiratórias (Enfisema, Asma) e danos mucosos (Úlceras), em vez de um único fator denso.
  • Convergência: Capturou contextos heterogêneos de doenças, como a "Demência" participando simultaneamente de vias vasculares, de fragilidade geriátrica e metabólico-neurodegenerativas.
  • Parcimônia: Apesar de iniciar com 60 hiperarestas candidatas, a posteriori concentrou-se em uma solução parcimoniosa (~27 hiperarestas ativas), com altas Probabilidades de Inclusão Posterior (PIPs) retendo o sinal preditivo.

5. Significância e Alegações

O artigo afirma que o BHPI aborda uma questão epidemiológica central: "Através de quais vias de doenças compartilhadas um determinado fator de risco exerce seus efeitos, e quão incertos somos sobre essa estrutura?"

• Além das Caixas-Pretas: Ao contrário das abordagens de aprendizado profundo, o BHPI fornece uma estrutura de ordem superior interpretável que desentrelaça como fatores de risco específicos organizam o risco de doenças, indo além de correlações pareadas ou espaços latentes entrelaçados.
• Quantificação de Incerteza: O framework oferece incerteza posterior calibrada tanto sobre o agrupamento de doenças (composição da via) quanto sobre a influência do fator de risco, o que é crítico para doenças raras onde os dados são escassos.
• Escalabilidade: O algoritmo de VI estruturada permite que o modelo escale para conjuntos de dados do tamanho de biobancos (centenas de milhares de amostras) mantendo complexidade computacional linear em relação a amostras e dimensões.
• Utilidade Clínica: Ao revelar vias distintas e específicas de cada fator de risco (ex: separando os efeitos metabólicos dos efeitos tóxicos do álcool), o modelo oferece insights sobre mecanismos etiológicos que são obscurecidos pelo aprendizado multi-tarefa padrão ou pela modelagem independente.

Os autores concluem que o BHPI fornece uma abordagem principista para a modelagem de múltiplas doenças que equilibra eficiência estatística com viés indutivo estruturado, permitindo a descoberta de estruturas latentes interpretáveis em dados de EHR de larga escala.