Informative Missingness to Generate Irregular Clinical Time Series

Resumo Técnico: Ausência Informativa para Gerar Séries Temporais Clínicas Irregulares

Definição do Problema
Testes laboratoriais em Registros Eletrônicos de Saúde (EHRs) são coletados de forma irregular, onde a ausência de um pedido de teste é frequentemente tão informativa quanto a própria medição. Essa "ausência informativa" reflete decisões clínicas e a fisiologia do paciente, particularmente em cenários de Dados Ausentes Não Aleatórios (MNAR - Missing-Not-At-Random), onde a decisão de realizar o teste depende de estados clínicos não observados ou parcialmente observados. As abordagens de modelagem generativa existentes frequentemente tratam a ausência como um artefato de pré-processamento a ser imputado ou focam em sinais quase regulares (ex: sinais vitais), falhando em capturar a distribuição conjunta dos valores laboratoriais e seus padrões de observação (rajadas de amostragem e temporização). Consequentemente, os benchmarks de imputação padrão não validam necessariamente se um gerador consegue reproduzir o acoplamento complexo entre a fisiologia do paciente e o comportamento de testes clínicos.

Metodologia
Os autores propõem uma estrutura baseada em difusão adaptada da arquitetura TimeDiff para gerar séries temporais clínicas que modelam conjuntamente valores laboratoriais contínuos e padrões de ausência discretos.

• Conjunto de Dados: O estudo utiliza o benchmark DACMI (Data Analytics Challenge on Missing data Imputation), derivado do MIMIC-III. Este conjunto de dados inclui 13 variáveis comuns de sangue laboratoriais. Os autores construíram uma representação pareada onde cada passo de tempo contém valores laboratoriais contínuos e uma máscara de ausência binária (0 para observado, 1 para ausente).
• Pré-processamento:
  • Alinhamento Temporal: Os tempos de registro foram discretizados em intervalos de 4 horas para minimizar a ausência artificial.
  • Janelamento: As internações foram segmentadas em janelas não sobrepostas de 7 dias (42 passos de tempo). Internações que excediam essa duração foram divididas em janelas consecutivas.
  • Normalização: As características passaram por transformações logarítmicas ou Box-Cox seguidas de padronização z-score para aproximar a gaussianidade.
  • Representação de Entrada: A entrada do modelo consiste em 26 canais: 13 valores laboratoriais padronizados e 13 máscaras binárias.
  • Condicionamento Delta: Para codificar a recência da observação, foi introduzido um tensor de condicionamento delta. Para cada laboratório e índice de tempo, este valor representa o número de passos desde a observação mais recente, normalizado para $[0, 1)$. Este contexto auxiliar guia a rede de denoising sem fazer parte do output gerado final.
• Arquitetura do Modelo e Treinamento:
  • A abordagem estende o TimeDiff para lidar com variáveis mistas (contínuas/Gaussianas e discretas/binárias) por meio de objetivos de difusão complementares.
  • Modificação da Função de Perda: A perda numérica (Gaussiana) foi modificada para excluir valores laboratoriais verdadeiramente ausentes, tratando a ausência como uma inexistência em vez de valores ruidosos.
  • Otimização: O modelo foi treinado por 200.000 passos usando o otimizador Adam. Um fator de ponderação ($\lambda = 10^{-5}$) foi aplicado à perda de ausência discreta em relação à perda de valor contínuo para equilibrar os objetivos.
  • Amostragem: 16.000 janelas sintéticas foram geradas através do processo iterativo de denoising de ruído aleatório.

Principais Contribuições

1. Pipeline de Geração Conjunta: Uma estrutura de difusão que gera tanto os valores laboratoriais quanto seus indicadores de observação simultaneamente, visando especificamente laboratórios irregulares e ausência informativa para apoiar a inferência downstream.
2. Adaptação da Função de Perda: Uma modificação da perda numérica do TimeDiff para excluir explicitamente valores ausentes do erro de reconstrução, garantindo que a ausência seja modelada como uma inexistência.
3. Protocolo de Preservação de MNAR: Uma estratégia prática de pré-processamento e janelamento projetada para preservar estruturas do tipo MNAR (onde a frequência de amostragem reflete decisões clínicas), mantendo a compatibilidade com o treinamento de difusão.
4. Avaliação Abrangente: Uma estratégia de avaliação utilizando distribuições univariadas, embeddings conjuntos de valores e máscaras, e métricas de similaridade de trajetória (EMD e DTW) para avaliar o realismo tanto na fisiologia quanto no comportamento de amostragem.

Resultos

• Distribuições Univariadas: Os dados sintéticos corresponderam de perto às trajetórias reais para as distribuições individuais de laboratório. Por exemplo, a densidade sintética para Hemoglobina coincidiu com o histograma real em torno do modo principal e da cauda superior, enquanto a contagem de Glóbulos Brancos (altamente assimétrica à direita) foi bem preservada em regiões de alta densidade e perfis de cauda.
• Embeddings Conjuntos: Utilizando UMAP com uma métrica de distância DTW em todos os 26 canais (13 valores + 13 máscaras), as distribuições de dados sintéticos e reais mostraram uma sobreposição substancial, indicando geração de alta qualidade sem instâncias fora do suporte (out-of-support).
• Métricas Quantitativas:
  • Condicionamento Delta: Modelos que utilizaram condicionamento delta alcançaram menores pontuações de Earth Mover's Distance (EMD) e DTW em comparação com aqueles sem condicionamento, aproximando-se dos valores de referência Real–Real.
  • Prevalência de Ausência: Embora o modelo tenha melhorado a estrutura conjunta, a prevalência de ausência sintética foi consistentemente menor do que a observada nos dados reais (ex: prevalência média real de 0,79 vs. sintética de 0,74), sugerindo que o modelo ainda subestima a frequência de medições não observadas.
• Similaridade de Trajetória: As distâncias DTW para as trajetórias foram geralmente baixas, indicando que a dinâmica temporal dos dados gerados alinha-se bem com os dados reais quando restrita aos pontos de tempo observados.

Significância e Alegações
Os autores posicionam este trabalho como um passo preliminar para o desenvolvimento de modelos de fundação clínica. Eles alegam que os modelos de difusão são uma base promissora para gerar dados laboratoriais sintéticos realistas sob ausência do tipo MNAR, ao capturar dependências clinicamente significativas entre fisiologia e comportamento de testes.

A principal significância reside na capacidade de produzir priors sintéticos que preservam as relações chave entre fisiologia e ausência. Esses priors pretendem servir como o componente inicial para o treinamento de Redes Ajustadas a Dados de Prior (Prior-Data Fitted Networks), as quais os autores planejam investigar em trabalhos estendidos para aproveitar a ausência informativa em tarefas downstream, como imputação e previsão sob mudanças de distribuição. O artigo afirma explicitamente que estes resultados são evidências preliminares da capacidade do modelo de capturar processos acoplados, e não uma validação completa de utilidade clínica downstream.