Can a zero-shot time-series foundation model rival task-trained models for intraoperative hypotension prediction? A two-cohort benchmark and the role of covariate-awareness

Resumo Técnico: Modelos de Fundação de Séries Temporais Zero-Shot para Predição de Hipotensão Intraoperatória

Definição do Problema
A hipotensão intraoperatória (definida como pressão arterial média [PAM] < 65 mmHg) é uma complicação frequente da anestesia geral, associada a lesão de órgãos pós-operatórios e mortalidade. As soluções preditivas atuais enfrentam barreiras significativas de portabilidade. Índices comerciais (ex: Índice de Predição de Hipotensão) frequentemente exigem ondas arteriais invasivas e características proprietárias, enquanto modelos de aprendizado profundo de última geração (ex: Temporal Fusion Transformer [TFT], PatchTST) requerem treinamento específico para a tarefa em grandes coortes rotuladas e específicas de cada local. Esses modelos sob medida têm dificuldade em se transferir entre instituições com diferentes cadências de dados, conjuntos de covariáveis e taxas de prevalência de hipotensão. Além disso, os modelos existentes geralmente condicionam as intervenções medicamentosas apenas como histórico observado ou as omitem inteiramente, falhando em utilizar sinais de "futuro conhecido" (a trajetória planejada da infusão de drogas) que poderiam melhorar a precisão da previsão.

Metodologia
O estudo compara quatro modelos de fundação de séries temporais zero-shot contra dois basais treinados para a tarefa (TFT e PatchTST) através de duas coortes intraoperatórias distintas:

1. Coorte de Desenvolvimento (VitalDB): 2.708 casos (2.665 sujeitos) do Hospital Universitário da Universidade Nacional de Seul, amostrados em intervalos de 15 segundos.
2. Coorte Externa (MOVER): 1.827 casos de um repositório multicêntrico, amostrados em intervalos de 60 segundos com prevalência de hipotensão 2–3× maior.

Desenho Experimental:

• Tarefa: Uma tarefa de previsão de origem rotativa (rolling-origin forecasting) onde uma janela de contexto de 30 minutos prevê trajetórias de PAM e hipotensão iminente (PAM < 65 mmHg) em horizontes de 1, 3, 5, 7, 10 e 15 minutos.
• Modelos Avaliados:
  • Modelos de Fundação Zero-Shot: TiRex-2 (multivariado, consciente de covariáveis), Chronos-Bolt, TimesFM-2.5 e Moirai-1.1-R (todos univariados). Nenhum foi treinado ou ajustado (fine-tuned) para a tarefa alvo.
  • Basais Treinados para a Tarefa: TFT e PatchTST, treinados via validação cruzada de nível de sujeito de 5 dobras na coorte de desenvolvimento.
• Tratamento de Covariáveis: O estudo investiga especificamente a "consciência de covariáveis". O TiRex-2 é o único modelo capaz de condicionar tanto em observações passadas quanto em entradas de futuro conhecido (a trajetória planejada de infusão de drogas). Os autores comparam o TiRex-2 com e sem esta covariável (M1 vs. M0) e o comparam contra modelos univariados que não podem ingerir covariáveis.
• Métricas de Avaliação: Discriminação (AUROC, AUPRC), precisão probabilística (CRPS, MAE), calibração (Erro de Calibração Esperado - ECE) e análise de curva de decisão.

Resultos Principais

• Desempenho dos Modelos de Fundação: Entre os modelos zero-shot, o TiRex-2 superou consistentemente os outros (Chronos-Bolt, TimesFM-2.5, Moirai-1.1-R) em todos os horizontes. Sua liderança foi estatisticamente significativa a partir de 3 minutos.
• Comparação com o Estado da Arte (SOTA):
  • Em horizontes de curto a médio prazo (1–7 minutos), o TiRex-2 zero-shot igualou o desempenho do TFT treinado para a tarefa (ex: AUROC 0,905 vs. 0,903 em 7 min; p = 0,34).
  • Em horizontes mais longos (>7 min), o TiRex-2 ficou atrás do baseline supervisionado mais forte, o PatchTST (ex: AUROC 0,849 vs. 0,875 em 15 min).
  • Na coorte externa MOVER, o TiRex-2 manteve AUROC ≥ 0,85 em todos os horizontes, igualando modelos treinados in-domain e superando modelos transferidos da VitalDB.
• O Papel da Consciência de Covariáveis:
  • O condicionamento na infusão de drogas de futuro conhecido proporcionou uma melhoria pequena, mas significativa, para o TiRex-2 (aproximadamente +1,15% de redução no CRPS) especificamente em "janelas de transição" onde o plano de infusão mudava.
  • Crucialmente, a qualidade de previsão base do TiRex-2 (mesmo sem a covariável) foi suficiente para liderar o campo zero-shot; a consciência da covariável distinguiu o melhor exemplar, mas não foi o único fator de sua superioridade sobre outros modelos de fundação.
  • Em contraste, os modelos treinados para a tarefa mostraram uma dependência muito maior do canal de covariável (+7% a +12% de melhoria), sugerindo que eles dependem mais fortemente de sinais de intervenção explícitos do que o modelo de fundação pré-treinado.
• Robustez e Portabilidade: O paradigma zero-shot demonstrou alta portabilidade. Um único modelo pré-treinado aplicado sem rótulos alcançou discriminação comparável ao treinamento supervisionado específico de coorte e superior ao aprendizado de transferência supervisionado através da mudança de distribuição entre VitalDB e MOVER.
• Representações Internas: A análise das ativações da penúltima camada revelou que a habilidade de previsão zero-shot é desacoplada de uma estrutura representacional linear. Ao contrário dos modelos treinados para a tarefa, os modelos zero-shot não codificam o risco de hipotensão como uma característica linearmente separável em seus estados internos; seu valor reside no mapeamento completo de codificador-decodificador para previsão de múltiplos horizontes, não como extratores de características.

Significância e Alegações
O artigo alega que modelos de fundação de séries temporais zero-shot e conscientes de covariáveis representam uma alternativa competitiva e portátil para a predição de hipotensão intraoperatória.

• Portabilidade: A principal contribuição é demonstrar que um único modelo pré-treinado pode rivalizar com o SOTA treinado para a tarefa (especificamente o TFT) em horizontes clinicamente urgentes (1–7 min) sem exigir rótulos específicos do local ou retreinamento. Isso aborda o problema dos "silos de dados" na IA médica.
• Condicionamento de Futuro Conhecido: O estudo estabelece a viabilidade de aplicar o condicionamento de futuro conhecido (infusões de drogas planejadas) em um cenário zero-shot. Embora o ganho de desempenho tenha sido modesto em relação à capacidade do modelo base, valida um paradigma onde modelos de fundação podem explorar planos de intervenção futuros — uma capacidade anteriormente restrita a arquiteturas específicas de tarefas.
• Utilidade Clínica: Os modelos fornecem alertas precoces acionáveis (1–15 min de antecedência) com discriminação comparável a basais supervisionados, particularmente no "horizonte médio" (3–7 min), onde alarmes de persistência ingênua degradam e modelos sob medida são mais difíceis de implantar.
• Limitações Reconhecidas: Os autores observam que a covariável de "futuro conhecido" utilizada foi a infusão realizada (dados retrospectivos), o que é um limite superior otimista em comparação com a implantação prospectiva, onde apenas a infusão planejada é conhecida. Além disso, os modelos foram avaliados com linhas arteriais invasivas; a portabilidade para monitoramento não invasivo ou outros ambientes de cuidados (UTI, enfermaria) permanece não comprovada. O estudo conclui que, embora a discriminação seja livre de rótulos, a calibração requer um pequeno subconjunto local rotulado para recalibração.

Em resumo, o artigo argumenta que, para instituições que carecem de infraestrutura para treinamento de modelos sob medida em larga escala, os modelos de fundação zero-shot ofereis uma solução viável e "pronta para uso" para o monitoramento hemodinâmico que iguala o desempenho de modelos supervisionados especializados em horizontes de tempo críticos.