Cohort-Anchored Foundation Models for Electronic Health Records: From Risk Scores to Auditable Peer Cohorts

Resumo Técnico: Modelos de Fundação Ancorados em Coortes para Registros Eletrônicos de Saúde

Declaração do Problema
Apesar da emergência de modelos de fundação de bilhões de parâmetros para Registros Eletrônicos de Saúde (EHRs) que demonstram capacidades impressionantes de zero e poucos disparos (zero- and few-shot), permanece uma lacuna estrutural entre a precisão em benchmarks e a implantação clínica confiável. Os modelos atuais tipicamente produzem um escore de risco escalar ou uma representação latente, tratando a comparação de pacientes como um efeito colateral emergente em vez da unidade primária de evidência. Isso cria três modos críticos de falha:

1. Opacidade e Alucinação: Os modelos frequentemente produzem conteúdo médico fluente, mas substantivamente incorreto, e as explicações padrão (ex: pesos de atenção) falham em abordar o processo de raciocínio real do clínico, que se baseia na comparação de um paciente com uma coorte de pares semelhantes com desfechos documentados.
2. Fragilidade sob Mudança de Distribuição: O desempenho preditivo degrada-se significativamente quando os modelos são aplicados a novas instituições, demografias ou protocolos, pois a representação subjacente não está ancorada em estruturas populacionais clinicamente significativas.
3. Falta de Evidência Auditável: Os clínicos raciocinam através de coortes (grupos de pacientes semelhantes), mas os sistemas atuais não retornam uma "coorte-com-desfecho" como o output de inferência, tornando o processo de decisão difícil de auditar ou verificar contra a infraestrutura clínica estabelecida.

Metodologia: O Framework CAFM
O artigo propõe o cafm (Cohort-Anchored Foundation Model), um framework projetado para elevar a coorte de pacientes ao status de "objeto de primeira classe" no pipeline de aprendizado de máquina. Em vez de reconstruir os backbones existentes, o cafm atua como um retrofit composicional que integra capacidades conscientes de coorte em modelos de fundação de EHR existentes através de quatro estágios interligados:

1. Construção de Coorte Consciente de Desvios (Estágio 1):
   Antes do pré-treinamento, o corpus passa por uma curadoria para detectar e lidar com dois problemas distintos: desvios (registros estatisticamente anômalos devido a erros técnicos ou deriva de documentação) e viés (inconsistências sistemáticas decorrentes de fluxos de trabalho clínicos, como a ausência informativa). Este estágio produz um conjunto de dados curado onde as coortes são montadas usando fenótipos baseados em regras, métodos de anchor-and-learn ou protótipos aprendidos, garantindo que os dados de treinamento reflitam populações clinicamente válidas.

2. Pré-treinamento Condicionado à Coorte (Estágio 2):
   O framework introduz um objetivo contrastivo composto ao erro padrão de pré-treinamento mascarado ou autorregressivo.

   • Atração: Aproxima as representações de pacientes com distribuições de coorte suaves (soft) semelhantes.
   • Repulsão (Negativos de Quase-Acerto/Near-Miss Negatives): Afasta pacientes que são fenotipicamente semelhantes, mas possuem desfechos divergentes. Essa amostragem de "quase-acerto" é crítica para refinar as fronteiras das coortes.
   • Regularização: Inclui regularização de entropia para evitar que o modelo colapse todos os pacientes em uma única coorte.
   • Aprendizado por Currículo: O framework emprega uma estratégia de warm-start e um currículo que aumenta gradualmente o peso das perdas contrastivas para estabilizar o treinamento conjunto entre o codificador do backbone e o módulo de coorte.

3. Alinhamento Multimodal de Coorte (Estágio 3):
   Para abordar a "contaminação de modalidade" (onde uma modalidade, como notas de texto livre, domina a representação conjunta), o framework impõe a similaridade intra-coorte dentro de cada modalidade (texto, códigos estruturados, imagens, sinais fisiológicos) separadamente. Isso garante que as modalidades mais fracas mantenam sua capacidade discriminativa e não colapsem sobre a modalidade dominante, preservando a integridade da estrutura da coorte através dos tipos de dados.

4. Refinamento com o Clínico no Ciclo (Clinician-in-the-Loop) (Estágio 4):
   Na inferência, o modelo não produz um escore escalar, mas recupera uma coorte de pares e sua distribuição de desfecho associada. Este output serve como a explicação, unidade de auditoria e sinal de deriva (drift). O framework suporta:

   • Evidência Auditável: Clínicos podem inspecionar as estatísticas da coorte recuperada e as taxas de desfecho.
   • Decomposição de Tarefas: Clínicos podem modificar definições de coorte (ex: adicionando restrições) em tempo real, disparando uma recomputação da distribuição de desfecho sem precisar rodar novamente todo o backbone.
   • Monitoramento de Ciclo de Vida: O sistema monitora mudanças de distribuição rastreando alterações nas distribuições de coorte recuperadas, ofereção um sinal de deriva mais sensível do que métricas de desempenho agregadas.

Principais Contribuições

• Reenquadramento Estrutural: O artigo argumenta que o ancoramento de coorte é um pré-requisito estrutural para modelos de fundação de EHR, distinto de aprendizado em contexto (in-context learning), geração aumentada por recuperação (RAG) ou métodos de explicação post-hoc. Ele postula que a coorte, e não o embedding individual, deve ser a unidade de evidência clínica.
• O Framework CAFM: Uma metodologia concreta de quatro estágios que pode ser aplicada como um retrofit em backbones existentes (ex: BEHRT, Med-BERT) sem exigir um redesenho arquitetônico completo.
• Formulação Matemática: Os autores fornecem formulações matemáticas explícitas para os objetivos contrastivos, incluindo a definição de negativos de "quase-acerto" e a função de perda composta (Eq. 6 e Eq. 9).
• Hipóteses Empíricas: O artigo delineia cinco hipóteses falseáveis (H1–H5) que o framework prevê, cobrindo cobertura de coorte vs. calibração, a eficácia de negativos de quase-acerto, detecção precoce de deriva, mitigação de colapso de modalidade e preferência clínica por evidência de coorte em cenários de alta incerteza.
• Estudos de Caso: O framework é ilustrado através de quatro estudos de caso operacionais: predição de Lesão Renal Aguda (AKI), estratificação de risco cardiovascular a partir de ECGs, triagem de neuropatia óptica via imagem orbital e geração de relatórios fundamentados em ERG.

Resultos e Ilustrações
O artigo não apresenta um único benchmark experimental unificado com novos scores de estado da arte. Em vez disso, ilustra o potencial do framework através de quatro estudos de caso extraídos de ambientes operacionais:

• Predição de AKI: Demonstra como o ancoramento de coorte transforma um risco escalar em um objeto de evidência estruturado, permitindo que clínicos questionem fatores específicos (ex: exposição a medicamentos nefrotóxicos) dentro da coorte recuperada.
• Risco Cardiovascular (ECG): Mostra como o alinhamento multimodal evita que o sinal de ECG sobrecarregue os dados estruturados de EHR, fundamentando as estimativas de risco em trajetórias históricas específicas da instituição.
• Triagem de Neuropatia Óptica: Destaca como a recuperação de coorte apoia decisões de triagem ao fornecer um conjunto curado de casos de encaminhamento anteriores, abordando a lacuna de confiança em ambientes de cuidados primários.
• Geração de Relatórios ERG: Propõe uma abordagem generativa onde os relatórios são fundamentados em coortes de pacientes recuperadas em vez de apenas fragmentos de texto, reduzindo a alucinação ao restringir a geração a populações clinicamente comparáveis.

Significância e Alegações
O artigo posiciona-se como uma perspectiva apoiada por um framework concreto, visando preencher a lacuna entre benchmarks impressionantes e o uso confiável à beira do leito. Suas principais alegações são:

1. Necessidade Metodológica: O ancoramento de coorte é o caminho mais direto para tornar os modelos de fundação interpretáveis, robustos a mudanças de distribuição e auditáveis. Ele altera o paradigma de "qualidade de representação" para "evidência fundamentada na população".
2. Viabilidade Prática: O framework é desenhado para ser um retrofit, exigindo esforço de engenharia para integrar módulos de coorte e índices de recuperação, em vez do desenvolvimento de arquiteturas de backbone inteiramente novas.
3. Testabilidade: O framework é definido por hipóteses empíricas específicas e falseáveis. Os autores argumentam que a validade do ancoramento de coorte deve ser julgada não pelo apelo retórico, mas se essas hipóteses se sustentam sob avaliação prospectiva.
4. Realidade Operacional: O artigo reconhece que as barreiras à adoção não são conceituais, mas organizacionais. Realizar esta visão requer um esforço sustentado em curadoria de dados, governança e manutenção de definições de coorte conforme as práticas clínicas evoluem.

Os autores concluem que, embora os componentes de modelagem necessários existam, a próxima fase de progresso na IA clínica depende de equipar os modelos existentes com o substrato fundamentado na população no qual o raciocínio clínico tradicionalmente se apoia.