Resumo Técnico: CAP – Rumo ao Aprendizado de Representação Universal de PPG com Supervisão em Nível de Paciente

1. Definição do Problema

A fotopletismografia (PPG) é um pilar fundamental para o monitoramento de saúde vestível e suporte à decisão clínica, permitindo aplicações como monitoramento da frequência cardíaca, estimativa da pressão arterial e triagem de arritmias. No entanto, as abordagens existentes para o Aprendizado de Representação Universal de PPG enfrentam três limitações críticas que dificultam sua generalização para tarefas clínicas complexas e coortes heterogêneas:

1. Sparsidade Semântica e Viés: Os paradigmas atuais de aprendizado autossupervisionado (SSL) dependem amplamente de objetivos ao nível do sinal, como a similaridade geométrica da forma de onda. Isso ignora o fato de que morfologias de PPG semelhantes não implicam necessariamente estados fisiológicos ou patológicos idênticos, levando a um descompasso entre as representações aprendidas e a realidade clínica.
2. Corrupção Semântica Induzida por Augmentação: Técnicas comuns de aumento de dados (ex: mascaramento, perturbações temporais) usadas em SSL podem inadvertidamente distorcer estruturas refinadas que carregam informações clinicamente relevantes, restringindo a transferibilidade para tarefas de estimativa sensíveis.
3. Consciência Limitada de Escala Temporal: A maioria dos métodos de pré-treinamento utiliza segmentos de sinais curtos (ex: 5–30 segundos), falhando em capturar a dinâmica fisiológica de longo prazo e condições crônicas que estão intimamente ligadas ao contexto clínico mais amplo do paciente.

Os autores argumentam que o aprendizado de representação de PPG deve mudar de uma visão centrada no sinal para uma abordagem centrada no paciente, incorporando informações de contexto de fundo do paciente de longo horizonte para ancorar as representações fisiológicas em semânticas clínicas.

2. Metodologia

2.1 Construção de Dados: Conjunto de Dados Pareado PPG-EHR

Para apoiar o aprendizado centrado no paciente, os autores construíram um conjunto de dados multimodal de grande escala envolvendo 2.279 pacientes. O conjunto de dados pareia sinais de PPG de longo prazo com Registros Eletrônicos de Saúde (EHR) destilados de históricos médicos fragmentados.

• Causalidade Temporal: Uma conformidade temporal estrita é aplicada; para um segmento de PPG que termina no tempo $T_{current}$, o texto associado inclui apenas informações disponíveis até $T_{current}$ (excluindo diagnósticos de alta ou desfechos futuros) para evitar o viés de antecipação (look-ahead bias).
• Alinhamento Hierárquico: O texto clínico é organizado em contexto estático (demografia), contexto cumulativo (histórico passado) e contexto concomitante (observações próximas).
• Destilação: Um Modelo de Linguagem Pré-treinado (PLM) destila notas clínicas brutas e códigos de diagnóstico em documentos de EHR estruturados ($e_k$) pareados com janelas de PPG de 5 minutos ($x_k$).
• Controle de Qualidade: Índices de Qualidade de Sinal (SQIs) são computados para filtrar segmentos ruidosos, garantindo o treinamento em dados fisiológicos confiáveis.

2.2 O Framework CAP

O framework proposto de Treinamento Clínico Ancorado (CAP - Clinical Anchored Pretraining) preenche a lacuna entre flutuações fisiológicas de baixo nível e semânticas clínicas de alto nível através de três componentes principais:

A. Patching Unificado Físico-Semântico (PSUP)

Para abordar a disparidade de granularidade entre segmentos de pré-treinamento longos (5 minutos) e tarefas de downstream curtas (ex: 30 segundos), o CAP introduz o PSUP. Este mecanismo reamostra dinamicamente os sinais brutos para uma frequência alvo e os divide em patches não sobrepostos. Isso garante que a granularidade da representação aprendida seja fisicamente consistente e temporalmente alinhada com as janelas de diagnóstico em diferentes tarefas.

B. Pré-treinamento de Múltiplos Objetivos

O CAP otimiza três objetivos cooperativos durante a fase de pré-treinamento:

1. Perda de Reconstrução Morfológica ($L_{morph}$): Utiliza Modelagem de Sinal Mascarado (MSM) para recuperar detalhes da forma de onda mascarados, forçando o codificador a aprender a "gramática" fundamental do PPG (ex: picos sistólicos, incisuras dicróticas).
2. Perda de Estabilidade Fisiológica ($L_{inv}$): Um objetivo contrastivo autossupervisionado que impõe consistência de características no espaço latente sob perturbações estocásticas (ex: dropout), garantindo robustez contra ruído de sensor e oscilações de linha de base.
3. Perda de Ancoragem Clínica ($L_{clin}$): Uma perda contrastiva cross-modal que alinha a representação global agregada do PPG com o embedding de EHR estrutural derivado do PLM. Isso ancora as flutuações fisiológicas à semântica clínica do paciente, mitigando o desvio de representação.

C. Adaptação de Downstream (Ajuste Fino)

Na fase de ajuste fino (finetuning), o CAP emprega uma arquitetura de via dupla:

• Codificador de Morfologia Local: Processa o sinal de PPG bruto junto com suas derivadas temporais de primeira e segunda ordem para capturar pistas de inclinação e curvatura local.
• Codificador Semântico-Clínico: Reutiliza o codificador de PPG pré-treinado para extrair representações clínicas de contexto longo.
• Fusão por Portão (Gated Fusion): Um mecanismo de portão equilibra adaptativamente a contribuição das características morfológicas locais e da semântica clínica global com base na entrada, permitindo que o modelo priorize detalhes finos para sinais de alta qualidade ou dependa de semânticas de contexto longo robustas quando as características locais estiverem ruidosas.

3. Principais Contribuições

1. Diagnóstico do SSL de PPG Atual: O artigo fornece uma análise sistemática de por que os paradigmas de SSL baseados apenas em sinais falham em alcançar transferência universal, destacando a falta de contexto ao nível do paciente.
2. Conjunto de Dados PPG-EHR de Grande Escala: A curadoria de um conjunto de dados multimodal pareado que injeta informações de contexto de fundo do paciente de longo horizonte no aprendizado de representação.
3. Framework CAP: A proposta de um framework de pré-treinamento que utiliza a semântica clínica do nível do paciente como uma âncora, combinado com o Physical-Semantic Unified Patching para lidar com disparidades de duração.
4. Validação Empírica: Avaliação abrangente demonstrando que o CAP aprende representações clinicamente fundamentadas e transferíveis em quatro tarefas distintas de downstream.

4. Resultados Experimentais

Os autores avaliaram o CAP em quatro tarefas de downstream heterogêneas usando benchmarks públicos: detecção de Fibrilação Atrial (AF), estimativa de Frequência Cardíaca (HR), estimativa de Frequência Respiratória (RR) e estimativa de Pressão Arterial (BP).

• Detecção de AF (Dataset Stanford): O CAP alcançou um F1-score de 0,883, superando bases fortes incluindo GPT-PPG (0,841) e SiamQuality (0,770).
• Estimativa de HR (Dataset WESAD): O CAP alcançou um Erro Médio Absoluto (MAE) de 3,99 (avaliação LOSO), superando a melhor base (GPT-PPG 1B) que obteve 4,98.
• Estimativa de RR (Dataset BIDMC): O CAP demonstrou uma melhoria massiva, alcançando um MAE de 0,11 comparado à base de estado da arte (GPT-PPG 1B) que obteve 0,93. Isso representa uma melhoria relativa de até 87,6%.
• Estimativa de BP (PulseDB): O CAP alcançou um MAE de 8,04, superando bases como GPT-PPG (8,12) e SiamQuality (8,60).

Desempenho Geral: O CAP entregou uma melhoria relativa média de 26,7% em todas as quatro tarefas em comparação com as bases mais fortes.

5. Significância e Alegações

O artigo afirma que o CAP consegue mudar o paradigma do aprendizado de representação de PPG de ajuste de forma de onda para a modelagem de estados fisiológicos ao nível do paciente. Ao ancorar as representações de PPG às semânticas clínicas derivadas de EHR, o modelo alcança:

• Generalização Aprimorada: A capacidade de transferir efetivamente entre diversos processos e coortes onde modelos baseados apenas em sinais encontram dificuldades.
• Robustez: Desempenho melhorado em condições ruidosas, conforme evidenciado pela capacidade do mecanismo de portão de depender de semânticas de contexto longo quando a qualidade do sinal local degrada.
• Interpretabilidade: Visualizações (mapas de atenção e UMAP) confirmam que o modelo atenta para regiões da forma de onda clinicamente significativas e cria um espaço de representação mais discriminativo para estados patológicos (ex: separação mais clara de amostras positivas para AF).

Os autores concluem que a incorporação do contexto do paciente de longo prazo e da semântica clínica é uma direção promissora para o desenvolvimento de modelos de fundação universais para sinais fisiológicos, indo além das limitações de correspondência de padrões de janela curta e nível de sinal.