STDP-inspired temporal transition modeling for adaptive clinical risk prediction from electronic health records

Resumo Técnico: Modelagem de Transição Temporal Inspirada em STDP para Predição de Risco Clínico Adaptativo

Definição do Problema
Os atuais modelos de predição clínica que utilizam Registros Eletrônicos de Saúde (EHR) frequentemente agregam históricos longitudinais de pacientes em características estáticas ao nível do paciente (por exemplo, contagens cumulativas de comorbidades ou valores brutos de exames laboratoriais). Esta abordagem frequentemente descarta a ordenação temporal dos eventos clínicos, o que pode ser crítico para a compreensão da fisiopatologia. Por exemplo, dois pacientes com conjuntos idênticos de diagnósticos e anormalidades laboratoriais podem ter prognósticos vastamente diferentes se um experimentou uma sequência de eventos rápida e de agravamento, enquanto o outro os acumulou ao longo de um período estável. Embora técnicas de modelagem temporal como redes neurais recorrentes (RNNs) e transformers existam, elas frequentemente exigem grandes conjuntos de dados, recursos computacionais significativos e produzem representações latentes que carecem de interpretabilidade clínica. Além disso, muitos modelos temporais são avaliados como preditores de desfecho final em vez de ferramentas de decisão contínua, o que pode confundir sinais de alerta precoce com deterioração clínica proximal.

Metodologia
Os autores propõem um framework simplificado inspirado na Plasticidade Dependente do Tempo de Disparo (STDP), uma regra de aprendizado neurobiológico onde a força da associação entre dois eventos depende do seu tempo relativo. O estudo adapta este princípio a dados estruturados de EHR para criar características de transição esparsas e direcionais.

• Construção de Características:

  • Representação de Eventos: Dados estruturados de EHR (diagnósticos, valores laboratoriais anormais, procedimentos) são mapeados em famílias de eventos clínicos com carimbo de tempo (timestamped). Os valores laboratoriais são agrupados em domínios fisiológicos interpretáveis (ex: renal, hepatobiliar, inflamatório).
  • Pontuação de Transição STDP: Para qualquer par ordenado de tipos de eventos $(i, j)$ ocorrendo nos tempos $t_i$ e $t_j$, uma característica de transição é gerada se $i$ precede $j$ dentro de uma janela de atraso (lag window) pré-especificada $L$.
  • Ponderação: A contribuição de um par qualificável é ponderada por uma função de decaimento exponencial, $w_{ij} = \exp(-(t_j - t_i)/\tau)$, onde $\tau$ controla a taxa de decaimento. Isso garante que transições temporalmente próximas contribuam mais fortemente do que coocorrências distantes. A direcionalidade é preservada ($i \to j$ é distinto de $j \to i$).
  • Agregação: As pontuações de transição são agregadas para cada instantâneo (snapshot) do paciente para formar um vetor de características, que é concatenado com características de carga estática (demografia, contagens cumulativas, exames laboratoriais de base).

• Desenho do Estudo e Conjuntos de Dados:
  O framework foi avaliado em dois cenários distintos utilizando validação cruzada ao nível do paciente e horizontes de predição contínua (rolling prediction horizons):

  1. Lesão Renal Aguda (AKI): Um cenário denso e de curto prazo usando 17.351 internações em UTI do MIMIC-IV. A tarefa era predizer a incidência de AKI em 48 ou 72 horas com base nos dados das primeiras 24 horas de admissão.
  2. Recorrência de Adenocarcinoma Ductual Pancreático (PDAC): Um cenário esparso e de longo prazo usando 713 pacientes do Columbia University Irving Medical Center (CUMP). A tarefa era predizer a recorrência pós-operatória precoce (dentro de 6 meses) utilizando o histórico pré-operatório de EHR, com snapshots contínuos do Dia -90 ao Dia 0 em relação à cirurgia.

• Modelos: O estudo comparou três famílias de modelos: (1) Baselines de carga estática, (2) Modelos de transição STDP simples, e (3) Ensembles de STDP calibrados (combinando características estáticas e de transição). Algoritmos incluíram regressão logística, Elastic Net e XGBoost/LightGBM.

Principais Resultados

• Predição de AKI (Cenário Denso): O ensemble de STDP calibrado superou significativamente os modelos de carga estática.
  • No horizonte de 48 horas, o ensemble de STPD alcançou um AUROC de 0,868 comparado a 0,827 para a baseline estática.
  • No horizonte de 72 horas, o ensemble de STDP alcançou um AUROC de 0,838 versus 0,800 para a baseline estática.
  • Melhorias também foram observadas em AUPRC, escore de Brier e sensibilidade em alta especificidade (90%). A atribuição de características destacou vias clinicamente plausíveis, como transições cardiovasculares e renais precedendo a AKI.
• Predição de Recorrência de PDAC (Cenário Esparso): O ensemble de STDP mostrou melhorias modestas, mas consistentes, sobre as baselines estáticas.
  • No Dia -30 (horizonte de decisão primária), o ensemble de STDP alcançou um AUROC de 0,611 versus 0,587 para a baseline estática.
  • No Dia 0, o AUROC foi de 0,681 versus 0,657.
  • Os ganhos foram menores do que na tarefa de AKI, refletindo a esparsidade dos dados de vigilância oncológica e a escala de tempo biológica mais longa da recorrência.
• Robustez: Análises confirmaram que os ganhos de performance não foram impulsionados apenas pela intensidade de observação (ex: número de testes laboratoriais ou frequência de visitas). Os modelos STDP mantiveram a superioridade mesmo após o ajuste pelo comprimento do registro e densidade de encontros.

Significância e Alegações
O artigo alega que as características de transição inspiradas em STDP oferecem um método prático e interpretável para incorporar a ordenação temporal em predições de risco baseadas em EHR sem a natureza de "caixa preta" dos modelos de sequência de aprendizagem profunda (deep learning).

• Interpretabilidade: Ao contrário dos embeddings latentes, as características STDP codificam explicitamente a identidade do evento, a direcionalidade e o tempo aproximado, permitindo que clínicos identifiquem trajetórias temporais específicas (ex: "anormalidades hepáticas seguidas de declínio nutricional") que impulsionam o risco.
• Versatilidade: O framework é eficaz tanto em cenários agudos de alta densidade (UTI) quanto em cenários esparsos e longitudinais (vigilância oncológica), embora a magnitude da melhoria correlacione-se com a densidade de eventos e a proximidade temporal.
• Utilidade Clínica: A abordagem suporta horizontes de predição contínuos, permitindo a estratificação de risco em tempo real. No contexto de PDAC, os autores enfatizam que o modelo é destinado a apoiar discussas de comitês de tumores (tumor boards) e a intensidade da vigilância, em vez de decisões cirúrgicas autônomas, particularmente dado o requisito de alta especificidade para evitar classificações de alto risco falso-positivas.

Os autores concluem que, embora o método não seja um modelo mecanístico de plasticidade biológica, ele serve como uma analogia computacional robusta que preserva a estrutura temporal enquanto mantém a interpretabilidade ao nível das características, preenchendo a lacuna entre modelos de carga estática e modelos complexos de aprendizagem profunda temporal.