Continuous-Time Bayesian Networks with Structured Shrinkage Priors for Modelling Multimorbidity Trajectories in Large-Scale Electronic Health Records

Resumo Técnico: Redes Bayesianas de Tempo Contínuo com Priors de Encolhimento Estruturado para Modelagem de Trajetórias de Multimorbidade

Definição do Problema
Múltiplas condições de longo prazo (MLTCs), ou multimorbidade, surgem através de interações complexas e dependentes do tempo entre doenças. Os métodos estatísticos existentes frequentemente têm dificuldade em modelar conjuntamente a progressão de doenças, redes de multimorbidade e fatores de risco de alta dimensão dentro de um arcabouço unificado. Análises transversais capturam a coocorrência, mas perdem as dinâmicas temporais; modelos de múltiplos estados escalam mal para grandes números de condições interativas; e abordagens baseadas em redes carecem, muitas vezes, de modelos probabilísticos formais para estimativa e quantificação de incerteza. Além disso, a aplicação de Redes Bayesianas de Tempo Contínuo (CTBNs) a registros eletrônicos de saúde (EHRs) de alta dimensão enfrenta dois desafios específicos: a explosão combinatória de parâmetros decorrente de interações de ordem superior entre doenças e a necessidade de esparsidade biologicamente interpretável com incerteza calibrada.

Metodologia
Os autores propõem um arcabouço de CTBN Bayesiano estruturado para dados longitudinais de EHR. Os componentes metodológicos centrais são:

1. Estrutura do Modelo: A progressão conjunta de $M$ condições inflamatórias é modelada como um processo estocástico multivariado onde cada condição evolui como um processo de Markov de tempo contínuo de estados finitos. O modelo assume um estado de absorção (apenas início, sem remissão) para condições crônicas. A taxa de incidência instantânea (intensidade de transição) para uma condição depende dos estados atuais de suas condições "pai" e de covariáveis exógenas via parametrização log-linear. Isso permite a modelagem de efeitos principais e interações sinérgicas de pares.
2. Formulação da Verossimilhança: A verossimilhança da CTBN é derivada e demonstrada como equivalente a um Modelo Linear Generalizado de Poisson (GLM) com um offset logarítmico, onde a exposição é o tempo passado no estado de risco. Esta fatoração entre condições permite uma estimativa computacionalmente tratável mesmo com números moderados de condições.
3. Priors de Encolhimento Estruturado: Para enfrentar o crescimento combinatório dos parâmetros de interação, os autores incorporam quatro priors de encolhimento dependentes da ordem dentro da verossimilhança da CTBN. Esses priors impõem uma penalização mais forte em termos de interação de ordem superior do que em efeitos principais, aderindo ao princípio hierárquico de que sinergias complexas de múltiplas condições são raras. Os quatro priors comparados são:
   • Normal Estruturado Hierárquico (HS): Uma mistura de escalas resultando em uma marginal Student-t com variância específica por ordem.
   • LASSO Bayesiano: Uma marginal de dupla exponencial com taxas dependentes da ordem.
   • Horseshoe Regularizado: Um prior global-local com escala global penalizada por ordem.
   • Spike-and-Slab: Uma mistura de dois componentes (slab difuso vs. spike concentrado) com probabilidades de inclusão específicas por ordem.
4. Seleção de Variáveis: Para o prior spike-and-slab, as Probabilidades de Inclusão Posterior (PIPs) são derivadas analiticamente. Para os priors de encolhimento contínuo (HS, LASSO, Horseshoe), que não geram PIPs explícitos, os autores constroem "pseudo-PIPs" baseados no fator de encolhimento posterior para permitir uma comparação justa do desempenho de seleção de variáveis entre todos os métodos.

Principais Contribuições
O artigo apresenta quatro contribuições metodológicas primárias:

1. Arcabouço Unificado: Incorpora quatro distintos priors de encolhimento dependentes da ordem em uma verossimilhança CTBN unificada, codificando explicitamente a expectativa biológica de que vias sinérgicas complexas são esparsas.
2. Métrica de Seleção Comparativa: Deriva PIPs para o spike-and-slab e pseudo-PIPs para os priors contínuos, colocando todos os quatro em uma base comum para seleção de variáveis e recuperação de rede.
3. Simulação Calibrada: Realiza um extenso estudo de simulação para isolar a recuperação de parâmetros, seleção de variáveis e comportamento preditivo em diversos cenários de geração de dados e especificações de modelo (subespecificado, corretamente especificado e sobreespecificado).
4. Aplicação Empírica: Aplica o arcabouço a registros de cuidados primários do UK Biobank para modelar a progressão de dez condições prevalentes, recuperando redes de doenças esparsas e interpretáveis.

Resultos

• Descobertas da Simulação: Em múltiplos cenários, o prior spike-and-sa-slab alcançou a melhor recuperação de rede, precisão de seleção de variáveis e controle de falsas descobertas. Atingiu Taxas de Verdadeiros Positivos (TPR) de 76–82% para efeitos principais e ~72% para interações com Taxas de Falsos Positivos (FPR) tão baixas quanto ~1–4% sob especificação correta. Em contraste, os três priors de encolhimento contínuo (HS, LASSO, Horseshoe Regularizado) falharam na seleção de variáveis "rígida" em um limiar padrão de 0,5, declarando quase todos os coeficientes ativos (TPR $\approx$ FPR $\approx$ 100%) e mostrando AUCs de seleção modestos (68–71%).
• Desempenho Preditivo: Todos os quatro priors demonstraram precisão preditiva quase idêntica (log-verossimilhança de Poisson e escores de Brier) através dos modelos de análise, confirmando que o desempenho preditivo é robusto à especificação do prior quando o objetivo é a estimativa, em vez da recuperação de estrutura.
• Aplicação Empírica (UK Biobank): Aplicando o modelo spike-and-slab recomendado ($P=2$, $\theta=1$) a 33.558 participantes, revelou dois módulos de doenças dominantes:
  • Um cluster cardiometabólico centrado em Diabetes Mellitus (DM), Doenças Hipertensivas (HTN) e Doenças Isquêmicas do Coração (IHD), caracterizado por dependências bidirecionais densas (ex: DM $\to$ HTN com uma razão de taxa de 2,13).
  • Um cluster inflamatório ligando Rinite/Sinusite (RS), Dermatite/Eczema (DE) e Doenças Respiratórias Crônicas Inferiores (CLRD).
  • O modelo identificou antagonismo sub-multiplicativo em tríades (ex: {RS, DM} $\to$ HTN), sugerindo que a exposição conjunta gera um risco cumulativo menor do que a soma das exposições marginais, consistente com vias biológicas sobrepostas.
  • A análise de covariáveis confirmou a idade como o preditor mais forte, com marcadores inflamatórios específicos (ex: GlycA, WBC) e fatores de estilo de vida (tabagismo, IMC) mostrando associações específicas por condição.

Significância e Alegações
O artigo afirma que o proposto arcabouço de CTBN Bayesiano estruturado aborda com sucesso os duplos desafios dos espaços de parâmetros de alta dimensão e a necessidade de esparsidade interpretável na modelagem de multimorbidade. Os autores asseveram que o prior spike-and-slab é a escolha superior para o aprendizado de estrutura de rede, oferecendo o melhor equilíbrio entre recuperação de parâmetros, controle de falsas descobertas e calibração de incerteza, enquanto os priors contínuos são mais adequados para tarefas de pura predição onde a recuperação de estrutura não é o objetivo principal.

A aplicação aos dados do UK Biobank demonstra a capacidade do arcabouço de recuperar redes de dependência de doenças direcionadas e clinicamente plausíveis que quantificam cargas de progressão e interações de ordem superior. Os autores observam que, embora os achados se alinhem com o conhecimento clínico estabelecido (ex: o cluster cardiometabólico), a natureza dinâmica e direcional do modelo fornece novos insights sobre a ordenação temporal e a magnitude das cascata de doenças que as análises transversais não conseguem capturar. O estudo conclui que estender este arcabouço para o conjunto completo das 60 condições InflAIM representa um avanço substancial na modelagem de redes de doenças em escala populacional, com potenciais implicações translacionais para estratificação de risco e medicina de precisão.