AI-driven Multimodal Representation Learning for Latent Mediation Structure Discovery of Socioeconomic Disadvantage, Psychosocial Factors, and Cardiometabolic Multimorbidity

Resumo Técnico: Aprendizado de Representação Multimodal Impulsionado por IA para Descoberta de Estrutura de Mediação Latente

Declaração do Problema
Embora a associação entre desvantagem social e multimorbidade seja bem estabelecida, os caminhos específicos que ligam as condições socioeconômicas às cargas de doenças complexas permanecem pouco compreendidos. A análise de mediação tradicional frequentemente depende de modelos de regressão paramétricos que assumem relações simples e lineares, as quais são insuficientes para coortes populacionais modernas e de alta dimensão, onde as variáveis são altamente correlacionadas e potencialmente não lineares. Além disso, a multimorbidade apresenta um desafio único, pois as doenças crônicas ocorrem em padrões interconectados em vez de isolados, criando estruturas de rede difíceis de capturar com abordagens analíticas convencionais. Estudos existentes frequentemente focam em conjuntos limitados de mediadores predefinidos e desfechos de doenças individuais, falhando em caracterizar as complexas vias transdomínio através das quais as experiências sociais influenciam a multimorbidade.

Metodologia
Os autores desenvolveram uma estrutura de mediação multimodal impulsionada por IA utilizando dados do programa de pesquisa All of Us (Controlled Tier v8). O estudo integra sete domínios analíticos: exposições socioeconômicas ($T$), mediadores psicossociais ($M$), desfechos de doenças ($Y$), covariáveis demográficas ($X$), covariáveis laboratoriais ($L$), covariáveis comportamentais ($C$) e perfis de carga genômica ($G$).

O fluxo de trabalho analítico consiste em quatro estágios primários:

1. Construção da Rede de Doenças: Redes de coocorrência de doenças foram construídas a partir de registros eletrônicos de saúde usando o algoritmo de detecção de comunidades de Louvain para caracterizar padrões de multimorbidade.
2. Aprendizado de Representação Específica por Modalidade: Autoencoders Variacionais (VAEs) separados foram treinados para cada modalidade de dados para derivar representações latentes de baixa dimensão. Esta abordagem foi escolhida porque as modalidades diferem significativamente em escala, esparsidade e distribuição.
   • Arquitetura: Cada VAE compreende um codificador, uma camada latente e um decodificador. Os modelos foram treinados para minimizar a perda de reconstrução e a divergência de Kullback–Leibler.
   • Hiperparâmetros: As dimensões latentes foram selecionadas independentemente com base na perda de limite inferior de evidência (ELBO) do conjunto de validação, resultando em 4 dimensões socioeconômicas ($Z_T$), 20 dimensões psicossociais ($Z_M$), 10 dimensões de rede de doenças ($Z_Y$), 10 dimensões genômicas ($Z_G$), 8 dimensões laboratoriais ($Z_L$) e 3 dimensões comportamentais ($Z_C$).
3. Integração de Dados: Embeddings de participantes em nível de indivíduo de todas as modalidades foram vinculados usando identificadores únicos.
4. Análise de Mediação no Espaço Latente: Análises de mediação foram realizadas no espaço latente para avaliar vias da forma $Z_T \rightarrow Z_M \rightarrow Z_Y$.
   • Modelos: Dois modelos de regressão foram ajustados para cada combinação de exposição, mediador e dimensão de desfecho: um modelo de mediador ($Z_M = \alpha_0 + a Z_T + \gamma^T W + \epsilon$) e um modelo de desfecho ($Z_Y = \beta_0 + c' Z_T + b Z_M + \delta^T W + \epsilon$), onde $W$ representa as covariáveis (demográficas, laboratoriais, comportamentais, genômicas).
   • Estimativa de Efeito: Os Efeitos Indiretos Naturais (NIEs) foram estimados usando a abordagem do produto de coeficientes ($NIE = a \times b$).
   • Escopo: O estudo avaliou 800 vias de mediação candidatas ($4 \times 20 \times 10$).
   • Controle Estatístico: A taxa de descoberta falsa (FDR) foi controlada usando o procedimento de Benjamini–Hochberg. A via mais forte foi adicionalmente validada por meio de reamostragem bootstrap não paramétrica.

Principais Resultados
A coorte analítica final consistiu em 20.804 participantes com dados multimodais completos.

• Concentração de Via: Os sinais de mediação não foram difusos, mas concentrados dentro de um pequeno número de dimensões latentes.
• Via Dominante: A associação indireta mais forte foi identificada na via $Z_{T2} \rightarrow Z_{M13} \rightarrow Z_{Y9}$, com um NIE estimado de 0,002517.
  • Exposição ($Z_{T2}$): Representou desvantagem socioeconômica, caracterizada por menor renda e nível de escolaridade.
  • Mediador ($Z_{M13}$): Representou uma dimensão latente de vulnerabilidade psicossocial, caracterizada por pior saúde mental, maior solidão, menor bem-estar social e menor literacia em saúde. Esta dimensão também mostrou associações com indicadores cardiometabólicos (hipertensão, diabetes, hiperlipidemia).
  • Desfecho ($Z_{Y9}$): Representou uma dimensão de multimorbidade cardiometabólica, associada à hipertensão, diabetes, hiperlipidemia, obesidade, doença renal crônica e doença cardíaca.
• Estabilidade: A análise bootstrap da via dominante rendeu um NIE de 0,00291 (IC 95%: 0,00243–0,00344), sustentando a estabilidade do achado.
• Estrutura de Rede: Redes de coocorrência de doenças no subgrupo de alta multimorbidade mostraram modularidade significativamente maior (0,694) em comparação com a coorte total (0,116), indicando uma separação mais forte entre comunidades de doenças em indivíduos com múltiplas condições.

Significância e Alegações
O artigo alega duas contribuições primárias:

1. Insight Substantivo: O estudo identifica a vulnerabilidade psicossocial como um componente fortemente representado na via latente dominante que liga a desvantagem socioeconômica à multimorbidade cardiometabólica. Isso sugere que fatores como saúde mental, solidão e literacia em saúde atuam como intermediários críticos na relação entre condições sociais e cargas de doenças complexas.
2. Avanço Metodológico: O framework proposto demonstra como o aprendizado de representação impulsionado por IA (especificamente VAEs multimodais) pode ser usado para investigar relações complexas em dados de saúde multimodais de alta dimensão. Ao integrar diversos tipos de dados em um espaço latente unificado, a abordagem permite a exploração de vias complexas sem exigir que os investigadores especifiquem mediadores ou desfechos individuais a priori.

Limitações e Ressalvas
Os autores declaram explicitamente que a análise é observacional e não pode estabelecer efeitos de mediação causais. Os termos "Efeito Indireto Natural" e "Efeito Direto Natural" são usados como rótulos para quantidades de decomposição de regressão no espaço latente, não como efeitos causalmente identificados. Adicionalmente, o estudo observa que as dimensões latentes são construtos aprendidos que requerem interpretação através de correlações, e que a redução no tamanho da amostra devido à integração de casos completos pode introduzir viés de seleção. Os achados representam associações indiretas estruturadas em vez de evidências de causalidade.