Timesynth: A Temporal Fidelity Framework for Health Signal Digital Twins

Resumo Técnico: TimeSynth: Um Framework de Fidelidade Temporal para Gêmeos Digitais de Sinais de Saúde

Definição do Problema
O desenvolvimento de gêmeos digitais de sinais de saúde — sistemas computacionais específicos de pacientes que preveem estados biológicos futuros — depende de modelos de previsão para séries temporais fisiológicas. No entanto, as práticas atuais de avaliação sofrem de uma lacuna fundamental entre a precisão de previsão e a fidelidade fisiológica. Métricas pontuais padrão, como o Erro Quadrático Médio (MSE) e o Erro Absoluto Médio (MAE), quantificam a concordância numérica, mas falham em detectar a perda de propriedades dinâmicas críticas, incluindo estrutura oscilatória, conteúdo de frequência, relações de fase e transições de estado.

Os autores argumentam que essa limitação cria um "ponto cego" onde modelos com erros pontuais comparáveis podem representar o processo fisiológico subjacente de maneiras drasticamente diferentes. Por exemplo, um modelo pode reproduzir com precisão a amplitude do sinal enquanto sofre um desvio significativo em fase ou frequência. Como as gravações clínicas reais carecem de trajetórias de verdade fundamental (ground-truth) analiticamente conhecidas para amplitude, frequência e fase, é impossível separar esses modos de erro específicos em dados do mundo real. Consequentemente, os modelos podem parecer confiáveis por meio de benchmarks padrão, enquanto falham em preservar o tempo e o ritmo essenciais para aplicações clínicas, como detecção de arritmia ou estadiamento do sono.

Metodologia: O Framework TimeSynth
Para enfrentar isso, os autores introduzem o TimeSynth, um framework de benchmarking controlado projetado para avaliar a fidelidade dinâmica de arquiteturas de previsão antes que sejam acopladas a dados de pacientes. O framework consiste em dois componentes principais:

1. Gerador Sintético com Fundamentação Fisiológica:

   • Em vez de usar dados sintéticos arbitrários, o framework ajusta modelos paramétricos de forma fechada a gravações reais de três conjuntos de dados públicos: MIT-BIH Arrhythmia (ECG), PPG-DaLiA (PPG/BVP) e CHB-MIT Scalp EEG (EEG).
   • Esses modelos paramétricos (Drift-Harmonic, Single Phase-Modulated e Dual Phase-Modulated) geram séries temporais sintéticas com verdade fundamental (ground-truth) analiticamente conhecida para amplitude, frequência instantânea e fase instantânea em cada ponto no tempo.
   • O gerador suporta perturbações controladas para testar o estresse dos modelos: ruído gaussiano aditivo, mudanças na distribuição de frequência, transições de estado determinísticas e alternância estocástica de Markov.

2. Diagnósticos de Fidelidade:

   • Em vez de depender apenas de erro agregado, o TimeSynth emprega diagnósticos separados para quantificar quatro dimensões de fidelidade: preservação de Amplitude, Frequência, Fase e Transição de Estado.
   • O erro de fase é calculado via sinal analítico (transformada de Hilbert), e o erro de frequência é derivado do refinamento do pico do espectro de potência. A fidelidade da transição de estado é avaliada usando uma sonda de Modelo Oculto de Markov (HMM) Gaussiano de dois estados padronizado para medir a recuperação das estatísticas de alternância via divergência de Kullback-Leibler (KL) simétrica.

Configuração Experimental
O framework foi utilizado para avaliar 11 arquiteturas de previsão abrangendo quatro famílias de viés indutivo:

• Lineares: Linear, DLinear, FITS.
• Baseadas em MLP: MLinear, NBeats, FreMLP.
• Convolucionais/Baseadas em Patches: MICN (variantes Regre e Mean), ModernTCN, PatchTST.
• Atenção de Sequência Completa: Transformer, Autoformer.

Os modelos foram testados em cinco paradigmas: reconstrução limpa, corrupção por ruído, mudança de distribuição de frequência, transições de estado determinísticas e alternância estocástica de Markov.

Resultos Principais
O estudo revela uma dissociação sistemática entre a precisão pontual e a fidelidade dinâmica:

• Métricas Pontuais Enganam: Modelos com MAE comparáveis exibiram erros de fase variando em até 53° (aproximadamente 123 ms para um ritmo cardíaco de 1,2 Hz). Modelos lineares e de atenção de sequência completa frequentemente alcançaram baixo MAE, enquanto perdiam informações significativas de fase e frequência.
• Localidade Preserva a Fidelidade: Arquiteturas com processamento temporal localizado (PatchTST, MICN, ModernTCN) preservaram consistentemente a estrutura oscilatória, a fase e a frequência sob ruído e mudanças de distribuição. Em contraste, mapeamentos globais e modelos de atenção de sequência completa (Transformer, Autoformer) frequentemente degradaram, particularmente sob modulação multifrequencial.
• Velocidade de Adaptação: Em transições de estado determinísticas, modelos localizados (PatchTST e ModernTCN) adaptaram-se a novos estados dentro de 6 passos de tempo (0,6 s a 10 Hz), enquanto modelos de atenção de sequência completa exigiram ~40 passos de tempo (4 s) para recuperar, à medida que a atenção global difundiu a evidência da transição através do contexto.
• Limitação de Alternância Estocástica: Nenhuma arquitetura preservou de forma confiável a dinâmica de alternância estocástica. Embora o PatchTST tenha mostrado recuperação parcial em regimes de alternância de alta probabilidade, os previsores de pontos determinísticos geralmente falharam em reproduzir as estatísticas de transição da verdade fundamental, sugerindo uma limitação fundamental das abordagens determinísticas atuais para processos fisiológicos estocásticos.
• Análise de Pareto: O PatchTST emergiu como o único modelo que excedeu uma pontuação normalizada de 0,8 em todas as cinco dimensões de avaliação (limpa, ruído, mudança, transição e fidelidade de Markov), demonstrando o desempenho mais equilibrado.

Significância e Alegações
O artigo posiciona o TimeSynth não como uma ferramenta para encontrar um único "melhor" modelo, mas como um framework baseado em princípios e casos de uso para seleção e verificação de modelos. Os autores alegam que:

1. Lacuna de Verificação: O desenvolvimento atual de gêmeos digitais carece de frameworks para verificar se as previsões preservam o comportamento fisiologicamente significativo. O TimeSynth fornece o "teste de estresse pré-clínico controlado" exigido pelas Academias Nacionais de Ciências, Engenharia e Medicina (NASEM) para verificação, validação e quantificação de incerteza (VVUQ).
2. Determinismo Arquitetural: O determinante dominante da fidelidade é a arquitetura. A escolha do modelo deve ser impulsionada pelas propriedades dinâmicas específicas exigidas pelo caso de uso (por exemplo, robustez ao ruído para monitoramento ambulatorial vs. rápida adaptação para mudanças de estado na UTI) em vez de uma busca por um vencedor universal baseado em erro agregado.
3. Infraestrutura de Desenvolvimento: O TimeSynth oferece infraestrutura reutilizável para o desenvolvimento consciente da fidelidade, permitindo a geração de sinais de verdade fundamental controlados para pré-treinamento e fornecendo diagnósticos interpretáveis para identificar quais propriedades dinâmicas uma arquitetura preserva ou destrói.

Os autores concluem que, embora o processamento temporal localizado (especificamente o PatchTST) ofereça atualmente o candidato mais forte para gêmeos digitais de sinais de saúde, a incapacidade de qualquer arquitetura atual de capturar de forma confiável a alternância estocástica indica a necessidade de futuros modelos com mecanismos de estado latente ou probabilísticos explícitos.