Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health

Resumo Técnico: Além do AHI: Uma Estrutura de Descoberta Causal Orientada para a Recuperação do Sono em Saúde Conectada

Definição do Problema
A avaliação clínica do sono atual baseia-se fortemente no Índice de Apneia e Hipopneia (AHI) e em outros índices de resumo derivados da polissonografia (PSG). Embora esses métricas sejam úteis para diagnosticar distúrbios do sono específicos, elas frequentemente falham em capturar a carga fisiológica integrada que sustenta a recuperação funcional. Consequentemente, existe um descompasso persistente entre a fisiologia do sono objetiva e os resultados relatados pelo paciente (PROs), como sonolência diurna, fadiga e qualidade percebida do sono. Além disso, as abordagens de aprendizado de máquina existentes para análise de PSG frequentemente funcionam como "caixas pretas" otimizadas para associação preditiva em vez de interpretabilidade mecanística, limitando sua utilidade na confiança clínica e na transição para tecnologias de saúde conectada. O desafio reside em traduzir sinais biológicos multimodais contínuos em métricas de recuperação clinicamente interpretáveis que reflitam a fisiologia multidomínio, em vez de apenas contagens de eventos isolados.

Metodologia
Os autores propõem uma estrutura orientada pela descoberta causal para derivar um Escore de Recuperação do Sono (SRS) hierárquico a partir de dados de PSG multimodais. A estrutura opera através de um pipeline estruturado de cinco etapas aplicado a duas coortes populacionais independentes: MESA ($n=1.540$) e MrOS ($n=825$).

1. Construção de Características e Seleção de Desfechos: O estudo utiliza um amplo conjunto de características fisiológicas abrangendo cinco domínios: carga respiratória, carga hipóxica, fragmentação do sono, arquitetura do sono e regulação autonômica. Estas são vinculadas a PROs relacionados à recuperação (ex: Escala de Sonolência de Epworth, fadiga, qualidade percebida do sono).
2. Estimativa de Grafo Causal: Utilizando o algoritmo linear NOTEARS, os autores estimam um Grafo Acíclico Dirigido (DAG) esparso para identificar candidatos a drivers fisiológicos para cada PRO. Para garantir a robustez, eles empregam seleção de estabilidade por bootstrap (500 reamostragens), retendo apenas arestas com frequência de seleção $\ge 0,6$.
3. Triagem de Candidatos em Duas Etapas: Para abordar as limitações de dados observacionais e garantir a plausibilidade fisiológica, aplica-se um processo de triagem rigoroso:
   • Etapa 1 (Baseada em Fisiologia): Arestas inconsistentes com mecanismos de sono estabelecidos (ex: remoção de proxies demográficos como idade ou raça que atuam como confundidores estruturais) são filtradas.
   • Etapa 2 (Auditoria Assistida por LLM com Restrições): Os candidatos restantes passam por um protocolo de classificação estruturado usando um Modelo de Linguagem de Grande Escala (LLM) restrito. As características são classificadas como drivers mecanísticos plausíveis, confundidores estruturais ou variáveis de vazamento de sobreposição de construto (ex: medidas subjetivas correlacionadas por construção com o alvo). Apenas as características classificadas como drivers plausíveis por ambas as camadas avançam.
4. Agregação de Consenso: Os mecanismos são retidos apenas se aparecerem em pelo menos dois desfechos de recuperação diferentes, reduzindo o ruído específico do desfecho.
5. Síntese de Escore Hierárquico: As características retidas são agrupadas nos cinco domínios fisiológicos. Os escores de domínio são computados como somas ponderadas de características normalizadas, onde os pesos são proporcionais à magnitude e estabilidade da aresta. O SRS final é uma agregação hierárquica desses escores de domínio, padronizada dentro de cada coorte.

Principais Contribuições

• Modelagem Multidomínio Interpretável: O artigo introduz um SRS hierárquico que vai além de índices respiratórios únicos (como o AHI) ao vincular explicitamente a PSG multimodal aos resultados de recuperação relatados pelo paciente através de uma estrutura transparente e estruturada por domínios.
• Identificação de Mecanismos Orientada pela Descoberta Causal: Os autores aplicam a descoberta de causalidade baseada em DAG, refinada por restrições baseadas em fisiologia e auditoria assistida por LLM com restrições, para extrair domínios de recuperação recorrentes e fisiologicamente interpretáveis.
• Evidência Cross-Cohort para Saúde Conectada: A estrutura demonstra convergência consistente em cinco domínios fisiológicos através de duas coortes distintas, mostrando um alinhamento mais forte com a recuperação percebida do que o AHI. Isso apoia a tradução da modelagem de recuperação para sistemas de sensoriamento distribuídos e vestíveis (ex: ECG vestível, oximetria) que capturam subconjuntos desses domínios.

Resultados

• Convergência Mecanística: Em ambas as coortes MESA e MrOS, a estrutura identificou consistentemente cinco domínios fisiológicos associados à recuperação prejudicada: carga respiratória, carga hipóxica, fragmentação do sono, arquitetura do sono (incluindo dinâmica de EEG) e regulação autonômica.
• Destilação de Características: No MESA, o processo destilou 53 características iniciais para 32 mecanismos de consenso. No MrOS, 174 características foram reduzidas a 28. Covariáveis estruturais (idade, sexo, raça) e variáveis de sobreposição de construto foram excluídas com sucesso.
• Associação com Desfechos: O SRS demonstrou associações estatisticamente significativas com quatro dos cinco desfechos de recuperação, enquanto o AHI atingiu significância para apenas um.
  • No MESA, o SRS mostrou correlações significativas com a Escala de Sonolência de Epworth ($\rho = 0,098$) e sonolência diurna ($\rho = 0,074$), enquanto o AHI foi não significativo para ambos.
  • No MrOS, o SRS correlacionou-se significativamente com a qualidade de sono percebida ($\rho = 0,107$) e dificuldade para manter o sono ($\rho = 0,111$), enquanto o AHI foi não significativo.
• Ganho de Desempenho: O SRS apresentou um alinhamento até 2,5 vezes mais forte com os desfechos de recuperação percebida em comparação ao AHI em casos específicos (ex: qualidade de sono percebida no MrOS).

Significância e Alegações
O artigo alega que o sono restaurador é melhor caracterizado como um construto fisiológico multidomínio em vez de um índice respiratório único. A estrutura proposta não busca substituir métricas específicas de doenças como o AHI, mas sim complementá-las ao capturar o substrato fisiológico mais amplo da recuperação. Ao vincular explicitamente a fisiologia do sono multimodal aos desfechos centrados no paciente através de uma estrutura interpretável, consciente de vieses e estruturada por domínios, este trabalho fornece uma base prática para a modelagem da recuperação tanto em estudos de sono clínicos quanto em emergentes ambientes de saúde inteligente/conectada. Os autores enfatizam que o SRS permite a decomposição dos drivers de recuperação (ex: distinguindo carga hipóxica de disfunção autonômica), permitindo intervenções direcionadas que as avaliações tradicionais baseadas em AHI não conseguem suportar.

Nota sobre Limitações: Os autores reconhecem modestamente que a análise é transversal e não estabelece causalidade temporal. Eles observam que a formulação linear do NOTEARS pode perder interações não lineares e que a auditoria assistida por LLM, embora consistente, depende de prompts restritos em vez de revisão direta por especialistas do domínio. As correlações com desfechos subjetivos foram modestas, refletindo a natureza multifatorial da recuperação percebida.