🤖 machine learning

KMGen: A Skill-based Approach for Synthetic Individual Patient Data Generation

O KMGen é um framework de código aberto, de ponta a ponta, que automatiza totalmente a extração de curvas de Kaplan-Meier de gráficos publicados e gera dados sintéticos de pacientes individuais, incluindo trajetórias de eventos adversos, ao combinar a geração de código agêntica com uma abordagem de amostragem mecanística que preserva as distribuições marginais de sobrevivência e as correlações demográficas.

Autores originais: Jalen Jiang, Chufan Gao, Ethan Rasmussen, Stephen Z. Xie, Jimeng Sun

Publicado 2026-08-25

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Jalen Jiang, Chufan Gao, Ethan Rasmussen, Stephen Z. Xie, Jimeng Sun

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da pesquisa médica, o recurso mais valioso é frequentemente o registro bruto e individual da jornada de um paciente através de um ensaio clínico. Esses registros contêm o tempo preciso de quando um tratamento começou, quando os efeitos colaterais apareceram e exatamente quanto tempo um paciente viveu. Os cientistas chamam isso de dados individuais de pacientes, e é o padrão ouro para entender o quão bem uma nova terapia funciona. No entanto, por razões de privacidade e proteção legal, esses registros detalhados quase nunca são liberados ao público. Em vez disso, os pesquisadores geralmente ficam apenas com o resumo final: um gráfico mostrando a porcentagem de pacientes que sobreviveram ao longo do tempo e uma lista de quantas pessoas apresentaram efeitos colaterais específicos. Esse resumo é útil, mas é como tentar entender uma história complexa lendo apenas o capítulo final; as nuances de como a história se desenrolou são perdidas. Sem os dados completos, torna-se difícil construir melhores modelos computacionais para prever resultados ou testar rigorosamente novos sistemas de monitoramento de segurança.

Uma equipe de pesquisadores desenvolveu uma nova ferramenta chamada KMGen para preencher essa lacuna. O trabalho deles aborda uma limitação de longa data na forma como os dados médicos são compartilhados. Embora métodos anteriores pudessem, às vezes, reconstruir o gráfico de sobrevivência a partir de uma imagem publicada, eles não conseguiam criar a metade perdida da história do paciente: a linha do tempo dos efeitos colaterais. O KMGen é o primeiro sistema projetado para fazer ambas as coisas. Ele pega um gráfico de sobrevivência publicado e uma entrada de registro de ensaio público e gera automaticamente um conjunto completo e sintético de registros individuais de pacientes que parecem e se comportam como dados reais. Isso permite que os cientistas testem seus modelos e algoritmos de segurança em dados que mimetizam ensaios reais, sem nunca precisarem acessar os registros privados e protegidos de pacientes reais.

O processo começa com um programa de computador que atua como um analista digital. Seu primeiro trabalho é olhar para uma imagem publicada de uma curva de sobrevivência — um gráfico de linha que mostra quantos pacientes ainda estão vivos em diferentes pontos no tempo — e transformar essa imagem de volta em números. Esta é uma tarefa difícil porque esses gráficos frequentemente apresentam linhas sobrepostas, cores diferentes ou marcas de grade que podem confundir um computador. O sistema utiliza um agente de software inteligente para inspecionar a imagem, decidir qual técnica é a melhor para aquela imagem específica e, então, escrever o código para extrair os dados com precisão de pixel. Os pesquisadores testaram essa ferramenta de extração em trinta e dois tipos diferentes de gráficos, variando de imagens limpas e simples a imagens bagunçadas e distorcidas projetadas para enganar o software. A ferramenta teve sucesso em quase todos os casos, produzindo uma versão digital da curva que era quase idêntica à original, com erros tão pequenos que eram quase imperceptíveis.

Uma vez que a curva de sobrevivência é digitalizada, o sistema passa para a segunda etapa, mais criativa: a geração dos registros individuais de pacientes. Em vez de adivinhar ou inventar aleatoriamente históricos de pacientes, o sistema segue uma receita lógica e rigorosa. Primeiro, um agente de software lê o registro público do ensaio para entender os fatos básicos do estudo: o número de pacientes, a idade média, o gênero e os tipos de efeitos colaterais que foram relatados. Ele organiza essas informações em um plano estruturado. Em seguida, um amostrador determinístico — um programa de computador que segue regras matemáticas fixas — usa esse plano para criar milhares de pacientes falsos.

A maneira como essa geração funciona é cuidadosamente projetada para ser tanto realista quanto confiável. O sistema cria diferentes "arquétipos" de pacientes baseados em seus fatores de risco, como idade, gênero e saúde geral. Ele então atribui a cada paciente falso um tempo de sobrevivência que corresponde à curva extraída do gráfico, garantindo que o padrão geral de sobrevivência seja exatamente preservado. Para os efeitos colaterais, o sistema os agenda com base no ritmo típico de um ensaio clínico, onde os pacientes são verificados em intervalos regulares. Ele garante que pacientes que estão mais doentes ou são mais velhos tenham maior probabilidade de apresentar efeitos colaterais, assim como ocorreria em um ensaio real, e que o tempo desses eventos siga os padrões naturais dos ciclos de tratamento. Crucialmente, cada etapa deste processo é transparente e baseada em regras explícitas, em vez de suposições ocultas, o que significa que os cientistas podem rastrear exatamente como um registro de paciente específico foi criado.

Os pesquisadores testaram todo esse pipeline em três ensaios de câncer do mundo real envolvendo centenas de pacientes. Eles usaram o sistema para gerar dados sintéticos e, em seguida, compararam-nos com os dados reais e ocultos desses ensaios. Os resultados foram surpreendentemente próximos. As curvas de sobrevivência sintéticas corresponderam às reais com um alto grau de precisão, e a distribuição de efeitos colaterais nos dados falsos espelhou de perto os dados reais. Por exemplo, o sistema identificou corretamente os efeitos colaterais mais comuns em três de quatro casos e reproduziu o tempo em que esses efeitos ocorreram com um erro médio de menos de um mês. Até mesmo os detalhes demográficos, como a mistura de idades e gêneros, eram quase indistinguíveis dos ensaios reais.

Este trabalho não pretende substituir ensaios clínicos reais ou gerar dados que possam ser usados para tomar decisões regulatórias sobre novos medicamentos. Os registros sintéticos não são pessoas reais e não capturam toda a complexidade da biologia humana. No entanto, o estudo demonstra que é possível criar dados de alta qualidade e realistas para o propósito específico de testar e melhorar as ferramentas que os cientistas usam para analisar a saúde. Ao fornecer uma maneira de gerar dados individuais de pacientes a partir de resumos públicos, o KMGen oferece um novo recurso para os pesquisadores validarem seus métodos e explorarem questões de segurança em um cenário onde os dados reais estão indisponíveis. O sistema está agora disponível como software de código aberto, permitindo que a comunidade científica mais ampla utilize e refine esta abordagem para estudos futuros.

Resumo Técnico: KMGen – Uma Abordagem Baseada em Habilidades para Geração de Dados Sintéticos de Pacientes Individuais

1. Definição do Problema

Os Dados de Pacientes Individuais (IPD, do inglês Individual Patient Data) de ensaios clínicos são o padrão ouro para modelagem de sobrevivência, metanálise e pesquisa de segurança. No entanto, o acesso aos IPDs é frequentemente restrito devido a regulamentações de privacidade, interesses proprietários e governança de dados. Consequentemente, análises secundárias dependem frequentemente de estatísticas de resumo agregadas (ex: razões de risco, mediana de sobrevivência), que carecem da granularidade temporal de eventos e padrões de censura necessários para o desenvolvimento rigoroso de modelos de aprendizado de máquina.

Avanços metodológicos existentes abordaram apenas metade deste hiato:

Reconstrução: Métodos como IPDfromKM e KM-GPT tentam reconstruir IPDs a partir de curvas de Kaplan–Meier (KM) publicadas. Embora eficazes, estes tipicamente requerem digitalização manual ou correção com intervenção humana (human-in-the-loop) e não oferecem um mecanismo para gerar os fluxos de eventos adversos (AE) que constituem a outra metade de um registro de paciente.
Geração: Abordagens puramente generativas (ex: amostradores de LLM de ponta a ponta) frequentemente alucinam sequências de eventos clinicamente implausíveis ou sofrem de colapso de modo (mode collapse) na cauda longa de eventos raros.

Há uma necessidade de um framework unificado que possa tanto automatizar a extração de dados de sobrevivência de gráficos publicados quanto gerar IPDs sintéticos de alta fidelidade, incluindo eventos adversos emergentes do tratamento, sem exigir o acesso aos conjuntos de dados originais restritos.

2. Metodologia

O KMGen é um framework de duplo propósito que desacopla tarefas interpretativas (atribuídas a um agente de Modelo de Linguagem Grande [LLM] multimodal) de tarefas computacionais (atribuídas a código determinístico). Esta separação garante que a aproximação seja confinada à seleção de estratégia, enquanto a exatidão e a reprodutibilidade são mantidas no processamento de dados.

2.1. Pipeline de Extração de Gráficos KM

O componente de extração é um pipeline agêntico totalmente automatizado projetado para recuperar dados de sobrevivência ao nível do paciente a partir de gráficos KM publicados.

Papel do Agente: Um analista de LLM inspeciona a imagem de entrada, identifica desafios (ex: curvas sobrepostas, esquemas de cores, linhas de referência) e seleciona técnicas aplicáveis de uma "caixa de ferramentas".
Execução Determinística: O agente gera código Python para executar a extração com precisão de pixel. As técnicas incluem:
- Detecção de caixa delimitadora (bounding-box) via marcas de escala (verificadas por regressão linear).
- Separação de Cor/Escala de Cinza usando correspondência de matiz HSL ou limiares de intensidade.
- Limpeza de Linhas de Referência para remover linhas de grade que não pertencem à curva.
- Rastreamento de Curva com imposição de continuidade e preenchimento de lacunas de linhas tracejadas.
Loop de Autoverificação: O agente realiza cinco verificações independentes (ex: $S(0) \approx 1.0$ , monotonicidade, alinhamento de anotação de mediana) e reextrai até que todos os âncoras passem nos testes.
Saída: Um documento JSON contendo coordenadas reconstruídas $(t_i, S_i)$ para cada braço de tratamento.

2.2. Metodologia de Geração de IPD Sintético

O componente de geração converte registros de registros de ensaios clínicos públicos (ex: ClinicalTrials.gov) e dados KM extraídos em coortes de IPD sintéticos através de três estágios:

Extração de Configuração (Agente LLM):
- O agente analisa os registros dos ensaios para um formato JSON estruturado e compatível com MedDRA.
- Prioridade Estrita de Fonte: Os dados são extraídos em uma hierarquia: (1) resultados estruturados do ClinicalTrials.gov (primário), (2) CSVs de KM reconstruídos, (3) publicações primárias e (4) Planos de Análise Estatística (SAP).
- A saída inclui demografia por braço, tempo de tratamento (comprimento do ciclo, divisão de indução/manutenção) e probabilidades de incidência de eventos adversos.
Extração de Arquétipos de Pacientes:
- A configuração é expandida em "arquétipos" discretos baseados no produto cartesiano de quatro dimensões de risco: Idade, Sexo, status de performance ECOG e Comorbidade (Índice de Comorbidade de Charlson).
- Cada arquétipo recebe multiplicadores de risco ( $m_{OS}$ para sobrevivência, $m_{AE}$ para eventos adversos) derivados de priors clínicos (revisões de literatura sobre oncologia geriátrica e toxicidade).
Amostragem Estatística (Amostrador Determinístico):
- Atribuição de Sobrevivência: Utiliza acoplamento de correlação de ranking por bootstrap. O amostrador retira amostras de bootstrap da curva KM empírica e as atribui aos pacientes com base em seus escores de "fragilidade" (derivados dos multiplicadores de risco dos arquétipos). Isso preserva a distribuição marginal de sobrevivência exatamente, enquanto induz a estratificação de risco dentro da coorte.
- Agendamento de Eventos Adversos: Os eventos são gerados em uma grade de tempo baseada em ciclos (correspondendo aos cronogramas de visitas do ensaio).
  - Divisão de Fase: Os eventos são agendados com uma divisão de indução/manutenção ( $\alpha$ vs $1-\alpha$ ), refletindo taxas de eventos mais altas durante os ciclos iniciais de alta dose.
  - Fragilidade Compartilhada: Um modificador de propensão ao nível do paciente ( $\eta_i$ ) é aplicado multiplicativamente em todos os sistemas orgânicos para induzir uma correlação positiva entre os AEs dentro do mesmo paciente, mimetizando a "carga de toxicidade" de pacientes reais.

3. Principais Contribuições

Framework Unificado: O KMGen é o primeiro sistema de ponta a ponta que combina extração híbrida adaptativa com geração sintética determinística para acessibilidade abrangente de IPD.
Benchmark de Extração Automatizada: A avaliação em um benchmark sintético de 32 gráficos (abrangendo condições limpas, de casos extremos e adversas) alcançou um Erro Absoluto Integrado (IAE) médio de 0.0151, competitivo com ferramentas guiadas por humanos, mas totalmente automatizado.
Geração de Alta Fidelidade: O framework gera IPD sintético que inclui trajetórias de sobrevivência e de eventos adversos. Ele atinge uma diferença absoluta de KM integrada ( $\Delta_{KM}$ ) média de $\le 0.051$ e recupera $\ge 71\%$ dos 15 principais eventos adversos por termo exato MedDRA através de três ensaios oncológicos independentes.
Interpretabilidade e Código Aberto: O pipeline é interpretável de ponta a ponta, com priors clínicos como parâmetros explícitos em vez de pesos latentes. O código é disponibilizado como código aberto.

4. Resultados

O framework foi avaliado em três ensaios oncológicos (NCT03041311, NCT02499770, NCT00844649) com tamanhos de coorte variando de 37 a 430 pacientes, utilizando um conjunto de parâmetros fixo único.

Desempenho de Extração:
- Benchmark Sintético: IAE Médio = 0.0151. O desempenho degradou ligeiramente em testes de estresse de combinação (IAE Médio = 0.0283), mas permaneceu robusto.
- Ensaios Reais: IAE Médio contra o IPD entregue pelo patrocinador foi de 0.0262.
Desempenho de Geração (Estágio B):
- Sobrevivência: $\Delta_{KM}$ médio $\le 0.051$ . Os erros relativos da mediana de OS variaram de 7.0% a 19.4%. O teste Mann–Whitney U falhou em rejeitar a hipótesa nula para ensaios menores, mas a rejeitou para o maior ensaio (NCT00844649) devido a um deslocamento de mediana de 1.3 meses impulsionado pelo poder estatístico, não por incompatibilidade estrutural.
- Demografia: JSD de Sexo $\le 0.006$ e JSD de ECOG $\le 0.013$ (onde o suporte coincidia).
- Eventos Adversos: Sobreposição dos 15 principais AEs foi $\ge 71\%$ . A similaridade de cosseno para a frequência de AEs atingiu 0.940 no maior ensaio.
- Tempo: O erro médio de início foi $\le 0.71$ meses. Os inícios sintéticos exibiram listras de comprimento de ciclo (um artefato do modelo de amostragem baseado em ciclos), o que é consistente com a natureza dos dados de visita reais.
- Carga: O conjunto de parâmetros padrão subestimou ligeiramente a carga real de AEs; o ajuste da variância de propensão ( $\sigma_\eta$ ) de 0.4 para 0.8 reduziu significativamente essa lacuna sem afetar as métricas de sobrevivência.

5. Significância e Alegações

O artigo afirma que o KMGen aborda um gargalo crítico na pesquisa clínica ao permitir a criação de IPD sintético para desenvolvimento metodológico em cenários onde os dados reais são restritos.

Interpretabilidade: Ao desacoplar a extração de arquétipos via LLM da amostragem estatística determinística, o framework garante que os priors clínicos (ex: divisões de indução/manutenção, multiplicadores de risco) sejam explícitos e auditáveis.
Preservação Marginal: O uso de acoplamento de correlação de ranking por bootstrap garante que a distribuição marginal de sobrevivência seja preservada exatamente por construção, independentemente de parâmetros de ruído.
Escopo e Limitações: Os autores afirmam explicitamente que o framework é atualmente validado em ensaios de oncologia (três classes distintas de drogas) e destina-se a aplicações metodológicas (ex: testes de estresse de modelos de sobrevivência, validação de algoritmos de segurança). Eles não alegam que os dados sintéticos sejam um substituto para ensaios controlados randomizados ou adequados para reivindicações regulatórias. O framework modela correlações estruturais (ex: sobrevivência mais curta limita a oportunidade de eventos), mas não simula caminhos causais onde a toxicidade induz a mortalidade.

O trabalho demonstra que uma abordagem baseada em habilidades, onde LLMs lidam com a estratégia e a geração de código enquanto algoritmos determinísticos lidam com a precisão, pode efetivamente preencher a lacavra entre estatísticas de resumo publicadas e os dados granulares necessários para o aprendizado de máquina avançado na saúde.