Scalable Patient-Level Prediction in a Trusted Research Environment: New Capabilities for the Veterans Precision Oncology Data Commons

Resumo Técnico: Predição em Nível de Paciente Escalável em um Ambiente de Pesquisa Confiável

Declaração do Problema
O Veterans Precision Oncology Data Commons (VPODC) serve como um Ambiente de Pesquisa Confiável (TRE) que fornece acesso seguro a dados clínicos, genômicos e de imagem do Departamento de Assuntos de Veteranos (VA). No entanto, uma barreira significativa para a descoberta científica é a exigência de que os pesquisadores tenham acesso direto aos dados sensíveis para realizar tarefas complexas de aprendizado de máquina. Os fluxos de trabalho tradicionais frequentemente exigem o download de dados ou o uso de ambientes locais, o que compromete a privacidade e a escalabilidade. O desafio é permitir que pesquisadores aprovados realizem a descoberta de coortes, treinem modelos preditivos e avaliem resultados em dados sensíveis do VA sem nunca acessar diretamente os conjuntos de dados brutos subjacentes, mantendo uma infraestrutura de baixo custo e preservação de privacidade.

Metodologia
Os autores desenvolveram uma arquitetura extensível e centrada em aplicativos dentro do VPODC usando a pilha de software de código aberto Gen3. Esta infraestrutura integra serviços de autenticação (Fence) e autorização (Arborist) para gerenciar o acesso dos usuários e a colaboração baseada em equipes. A metodologia central envolve três aplicativos front-end primários integrados em uma interface web unificada:

1. ATLAS: Uma ferramenta de código aberto da comunidade OHDSI usada para descoberta e definição de coortes baseada no Modelo de Dados Comum (CDM) da Observational Medical Outcomes Partnership (OMOP).
2. App de Predição em Nível de Paciente (PLP): Uma interface customizada que integra o pacote R OHDSI PLP. Este app permite que pesquisadores selecionem coortes, definam janelas de observação e de desfecho, especifiquem covariáveis e treinem modelos de aprendizado de máquina. O backend utiliza scikit-learn do Python para Máquinas de Vetores de Suporte (SVM) e Florestas Aleatórias (RF), e um pacote cyclops modificado para Regressão Logística Lasso (LLR).
3. App de Resultados: Uma aplicação baseada em React para visualizar o status dos trabalhos de treinamento, métricas de desempenho do modelo, gráficos de diagnóstico (ex: ROC, calibração) e baixar resultados em formato ZIP.

A infraestrutura roda em Kubernetes, utilizando Karpenter para escalonamento automático de nós e serviços web customizados (ex: cohort-middleware, workflow-wrapper) para gerenciar a execução do fluxo de trabalho e rastrear custos via tags da AWS.

Para validar o sistema, os autores conduziram dois casos de uso primários:

• Validação Germinativa: Replicar um estudo previamente publicado que prevê a mortalidade por todas as causas em pacientes com doença coronária e fibrilação atrial usando dados sintéticos Synpuf.
• Aplicação em Pesquisa de Câncer: Treinar modelos para prever o desenvolvimento de neoplasia maligna primária de próstata em Veteranos com diagnóstico existente de câncer respiratório. Isso envolveu o treinamento de modelos LLR, SVM e RF em uma coorte de N=37.716 Veteranos falecidos (Coorte B) com janelas de desfecho de 3, 5 e 10 anos.

Principais Contribuições
O artigo apresenta três contribuições específicas:

1. Ambiente de Pesquisa Integrado: Uma plataforma unificada que permite a geração de hipóteses, descoberta de coortes e desenvolvimento de modelos PLP em dados sensíveis do VA sem acesso direto aos dados.
2. Infraestrutura Extensível: Uma arquitetura escalável que permite aos pesquisadores interagir com os dados apenas através de aplicativos front-end, garantindo que os dados permaneçam dentro do limite seguro do VPODC enquanto suporta a colaboração baseada em equipes e controle de acesso granular.
3. Demonstração de Utilidade Científica: Uma aplicação de prova de conceito prevendo múltiplas malignidades (respiratória para câncer de próstata), demonstrando a capacidade da plataforma de identificar covariáveis biologicamente significativas e replicar achados de pesquisas estabelecidas.

Resultados

• Validação da Infraestrutura: O app PLP replicou com sucesso os resultados do estudo germinativo (Ahmadi et al.), produzindo métricas de AUC e Brier consistentes, confirmando a precisão da infraestrutura.
• Desempenho do Modelo: Na tarefa de predição de câncer respiratório-para-próstata, o modelo de Regressão Logística Lasso (LLR) superou os modelos SVM e RF, que exibiram overfitting e má calibração. O melhor modelo LLR alcançou AUCs de teste de 0,80 (3 anos), 0,83 (5 anos) e 0,85 (10 anos) na validação interna.
• Identificação de Covariáveis: Os modelos treinados identificaram preditores estabelecidos, incluindo níveis elevados de Antígeno Prostático Específico (PSA), níveis anormais de metabólitos (creatinina, neutrófilos, leucócitos) e uma associação significativa entre raça Negra ou Afro-americana e o desenvolvimento subsequente de câncer de próstata em Veteranos com câncer respiratório.
• Custo e Eficiência: Em dados sintéticos compreendendo mais de um milhão de indivíduos, o treinamento e teste de modelos clássicos de ML (ex: Floresta Aleatória) foram concluídos em menos de quatro horas com um custo de menos de um dólar. Fluxos de trabalho com dados reais na Coorte B demonstraram eficiência de custo semelhante.

Significância e Alegações
Os autores alegam que a infraestrutura atualizada do VPODC permite testes de hipóteses e seleção de modelos rápidos, de baixo custo e preservação de privacidade. Ao remover a necessidade de acesso direto aos dados, a plataforma reduz a barreira de entrada para pesquisadores enquanto mantém o cumprimento rigoroso de segurança (FedRAMP Low-Impact SaaS). O estudo demonstra que a plataforma pode suportar pesquisa de câncer multimodal complexa, como investigar múltiplas malignidades primárias, e identifica com sucesso fatores de risco clinicamente relevantes. Os autores observam que, embora a implementação atual suporte aprendizado de máquina clássico, o design modular permite a integração futura de arquiteturas de deep learning e transformers conforme as coortes se expandem. O artigo enfatiza que os achados relativos a múltiplas malignidades e disparidades raciais requerem validação adicional em coortes maiores e independentes, mas servem como uma prova de conceito para a utilidade da plataforma na geração de insights biologicamente significativos.