💻 ciência da computação

Knowledge Graph Representations for Robust Patient Stratification under Unknown Missingness Mechanisms: a Comparative Computational Study

Este estudo demonstra que os embeddings de grafos de conhecimento proporcionam uma estratificação de pacientes mais robusta e estável do que os pipelines tradicionais baseados em imputação sob mecanismos de ausência desconhecidos, particularmente em dados clínicos especializados onde os valores ausentes são frequentemente Não Aleatórios (MNAR).

Autores originais: Francesco Orciuoli, Giuseppe Murdaca

Publicado 2026-10-20

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Francesco Orciuoli, Giuseppe Murdaca

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da medicina moderna, os médicos dependem de vastos registros digitais para compreender seus pacientes. Esses prontuários eletrônicos de saúde são uma coleção de fatos: sintomas que um paciente relata, testes que um médico solicita e resultados de laboratório. No entanto, esses registros raramente são completos. Um médico não solicita todos os testes possíveis para cada paciente; ele solicita testes específicos com base no que suspeita estar errado. Da mesma forma, um paciente pode não mencionar um sintoma se ele parecer irrelevante ou se ele esquecer de mencioná-lo. Na linguagem da ciência de dados, isso não é apenas ruído aleatório. A informação ausente está frequentemente ligada à própria razão do que está faltando. Se um médico suspeita de uma doença específica, ele realiza o teste; se não suspeita, o resultado do teste simplesmente está ausente. Isso cria uma situação complicada para computadores que tentam encontrar padrões nos dados. Se um computador vê um espaço em branco onde deveria estar o resultado de um teste, ele tem que adivinhar o que colocar ali. A abordagem padrão é preencher esse espaço com um valor médio, assumindo que o dado ausente é apenas uma lacuna aleatória. Mas na medicina, um teste ausente é frequentemente uma escolha deliberada, não um acidente aleatório. Tratar um resultado ausente como um resultado negativo confirmado pode levar o computador a tirar as conclusões erradas sobre quem está doente e quem está saudável.

Os pesquisadores Francesco Orciuoli e Giuseppe Murdaca propuseram-se a resolver este problema testando diferentes formas de representar dados de pacientes para análise computacional. Eles trabalharam com um grupo de 359 pacientes de uma clínica especializada em alergia e imunologia na Itália. Estes pacientes apresentavam condições complexas, que iam desde urticária crônica até doenças autoimunes, e seus registros estavam repletos dos tipos de lacunas descritos acima: alguns testes de anticorpos nunca foram solicitados e alguns sintomas só eram registrados se fossem graves. A equipe queria ver se conseguiriam agrupar esses pacientes em agrupamentos (clusters) significativos com base em seus dados, sem dizer ao computador qual era o diagnóstico final. Eles compararam cinco métodos diferentes. Quatro desses métodos utilizavam a abordagem tradicional: eles pegavam os dados brutos, preenchiam os números ausentes com estimativas e, em seguida, usavam uma ferramenta matemática para comprimir a informação em uma forma mais simples antes de agrupar os pacientes. O quinto método seguia um caminho completamente diferente. Em vez de preencher as lacunas, eles construíram um grafo de conhecimento. Neste sistema, cada paciente é um ponto, e cada informação confirmada é uma linha conectando esse paciente a um fato específico. Se um teste nunca foi realizado, nenhuma linha é desenhada. O computador simplesmente vê que a conexão não existe, em vez de tentar adivinhar o que essa conexão poderia ser.

Os resultados desta comparação foram nítidos e claros. O método tradicional, que envolve o preenchimento de dados ausentes e a posterior compressão, teve um desempenho insatisfatório em quase todos os cenários testados pelos pesquisadores. Quando os dados ausentes seguiam o padrão realista encontrado em hospitais — onde os testes são solicitados seletivamente com base na suspeita — este método padrão falhou em encontrar os grupos corretos de pacientes. Nos piores casos, o agrupamento do computador foi tão ruim que mal superou o acaso. Os pesquisadores descobriram que o processo de preencher os números ausentes criou uma estrutura falsa nos dados. Quando o computador tentava simplificar esses dados, ele amplificava esses erros, prendendo os pacientes nos grupos errados. Era como se o computador estivesse tentando mapear um território baseado em um mapa que havia sido preenchido com suposições, e então o cartógrafo fizesse essas suposições parecerem terreno sólido.

Em contrapartida, a abordagem do grafo de conhecimento provou ser a mais confiável. Por não tentar adivinhar o que está faltando, este método evita a armadilha de criar padrões falsos. Ele utiliza apenas os fatos que realmente existem. Quando os pesquisadores testaram este método contra os outros, ele produziu consistentemente os melhores grupos de pacientes, independentemente de como os dados estavam ausentes. Os grupos criados faziam sentido médico. Por exemplo, separou com sucesso pacientes com alergias respiratórias daqueles com doenças autoimunes e identificou um grande grupo de pacientes que foram triados para questões autoimunes, mas testaram negativo. Para provar que esses grupos eram reais e não apenas um artefato matemático, os pesquisadores os verificaram contra sete marcadores sanguíneos independentes que não foram utilizados para criar os grupos. Esses marcadores, como contagens de glóbulos brancos e níveis de inflamação, variaram significamente entre os diferentes grupos, confirmando que o computador havia encontrado diferenças biológicas genuínas.

O estudo sugere que, ao lidar com prontuários médicos complexos onde a informação ausente é comum e significativa, a estratégia mais segura e eficaz é parar de tentar preencher as lacunas. Em vez disso, os pesquisadores devem construir representações que respeitem a ausência de dados como uma informação válida. O método do grafo de conhecimento alcançou isso ao tratar um teste ausente como uma conexão ausente, em vez de um zero ou uma média. Esta abordagem permitiu que o computador visse a verdadeira forma da população de pacientes sem a distorção causada pelas suposições. Enquanto o método tradicional de imputação de dados e redução de complexidade falhou repetidamente, o método baseado em grafos permaneceu estável e preciso. Os pesquisadores concluem que, para especialistas que trabalham com dados reais de pacientes, onde as razões para a informação ausente são frequentemente desconhecidas, o uso de um grafo de conhecimento é uma forma mais robusta de compreender subgrupos de pacientes. Este método não apenas ajuda a agrupar pacientes para um melhor cuidado, mas também cria um mapa factual claro dos dados que pode ser usado por ferramentas futuras para responder a questões médicas específicas, garantindo que a compreensão do computador seja construída sobre o que é conhecido, e não sobre o que é suposto.

Resumo Técnico: Representações de Grafos de Conhecimento para Estratificação Robusta de Pacientes sob Mecanismos de Ausência Desconhecidos

Definição do Problema
Pipelines de estratificação de pacientes não supervisionados tipicamente dependem de uma sequência de imputação de valores ausentes, aplicação de redução de dimensionalidade e agrupamento (clustering). No entanto, em bases de dados clínicas especializadas, particularmente em Alergologia e Imunologia Clínica, os dados são predominantamente Ausentes Não Aleatoriamente (MNAR - Missing Not At Random). Dois mecanismos específicos impulsionam isso:

Viés de solicitação de testes: Testes de autoanticorpos são solicitados apenas quando um diagnóstico específico é suspeitado, o que significa que os resultados ausentes dependem do estado de doença não observado.
Registro seletivo: Sintomas são documentados quase exclusivamente quando presentes e clinicamente relevantes; uma entrada ausente não significa ausência, mas sim uma falta de elicitação ou relevância.

Estratégias de imputação padrão (ex: imputação pela mediana) tratam anticorpos não testados e negativos confirmados de forma idêntica, violando suas próprias premissas. Além disso, quando esses valores imputados são processados por técnicas de redução de dimensionalidade não lineares como o UMAP, os algoritmos de aprendizado de variedade (manifold learning) tratam a estrutura distorcida e imputada como real, amplificando geometricamente o viés. O desafio central é que o mecanismo de ausência raramente é identificável antecipadamente, tornando pipelines que funcionam sob um mecanismo, mas falham sob outro, clinicamente não confiáveis.

Metodologia
Os autores conduziram uma avaliação comparativa sistemática de cinco estratégias de representação de pacientes sob três mecanismos de ausência formalmente especificados: Ausência Completamente Aleatória (MCAR), Ausência Aleatória (MAR) e Ausência Não Aleatória (MNAR). Todos os métodos utilizaram o mesmo coorte de entrada (352 pacientes de um coorte especializado de 359 pacientes), a mesma normalização e o mesmo algoritmo de agrupamento ( $k$ -means com $k=6$ ) para isolar o efeito da representação.

As cinco estratégias avaliadas foram:

Grafo de Conhecimento (KG) + TransE: Pacientes são nós; achados clínicos observados (diagnósticos, autoanticorpos, sintomas) são arestas direcionadas tipadas. Crucialmente, arestas ausentes não carregam conteúdo semântico, tornando a representação válida sob MNAR por construção. Embeddings TransE (6adeimensionais) foram gerados e agrupados.
Tabular NaN-para-Zero: Uma matriz de características onde valores ausentes são codificados como zero (tratando o não testado como negativo/ausente).
Imputação de Mediana Tabular: Valores ausentes substituídos pela mediana da população.
UMAP + NaN-para-Zero: A matriz tabular NaN-para-zero reduzida via UMAP antes do agrupamento.
UMAP + Imputação: A matriz tabular de mediana imputada reduzida via UMAP antes do agrupamento.

O estudo empregou dois designs experimentais:

Ablação Camada por Camada: Adição progressiva de camadas de informação (Apenas Diagnóstico $\rightarrow$ Diagnóstico + Autoanticorpos $\rightarrow$ Diagnóstico + Autoanticorpos + Sintomas) no conjunto de dados real para medir a degradação do desempenho conforme a severidade do MNAR aumenta.
Simulação Controlada: Um estudo de simulação utilizando um conjunto de dados "oráculo" onde a ausência foi artificialmente introduzida sob condições MCAR, MAR e MNAR para testar a robustez através dos mecanismos.

Principais Contribuições

Demonstração de Robustez: O estudo identifica a representação por Grafo de Conhecimento como o único método que não colapsa sob nenhum dos três mecanismos de ausência. Ele alcançou o patamar de desempenho mais alto (NMI $\ge$ 0,395) e o menor intervalo de desempenho (0,061) entre os cenários.
Identificação de Falha de Pipeline: O pipeline padrão "imputar-então-reduzir" (especificamente UMAP + Imputação de Mediana) foi identificado como a estratégia de pior desempenho em todos os cenários, atingindo um NMI de 0,083 sob MNAR — uma lacuna de cinco vezes abaixo da abordagem de KG.
Aplicação Clínica: Uma aplicação sistemática de embeddings de KG para estratificação não supervisionada em Alergologia e Imunologia Clínica, em um coorte do mundo real, gerando seis clusters clinicamente interpretáveis.
Caracterização Empírica: Quantificação da estrutura MNAR no conjunto de dados e uma ablação camada por camada mostrando que a vantagem do KG cresce monotonicamente conforme os dados MNAR (autoanticorpos e sintomas) são adicionados.
Utilidade da Camada Semântica: Discussão do KG de pacientes como uma camada semântica persistente compatível com sistemas de consulta clínica baseados em Grandes Modelos de Linguagem (LLM), estendendo a utilidade além do agrupamento.

Resultos

Estudo de Simulação: Sob MNAR, o KG superou a imputação de mediana tabular por $\Delta$ NMI = +0,121. O pipeline UMAP + Imputação colapsou completamente (NMI = 0,083), confirmando que a projeção de variedade amplifica o viés de imputação em vez de corrigi-lo. O KG manteve o desempenho estável (NMI $\ge$ 0,395) independentemente do mecanismo.
Estudo de Ablação: À medida que as camadas de dados MNAR eram adicionadas, a vantagem do KG sobre a linha de base tabular NaN-para-zero aumentava monotonicamente, atingindo uma melhoria relativa de +63% na camada de sintomas (3,6% de completude).
Validação de Cluster: Os seis clusters identificados pelo KG corresponderam a perfis clínicos reconhecíveis (ex: Urticária/Angioedema, Alergia Respiratória, Triagem/Negativo para Anticorpos, Autoimunidade de Órgãos Específicos, Não Classificado, Reumatologia Inflamatória).
Validação Externa: Sete biomarcadores laboratoriais independentes (não utilizados na construção do grafo) mostraram diferenças estatisticamente significativas entre os seis clusters após a correção de Benjamini-Hochberg ( $q < 0,01$ ). Observaram-se efeitos notáveis para contagem de Glóbulos Brancos ( $\epsilon^2 = 0,331$ ), VHS ( $\epsilon^2 = 0,218$ ) e Hemoglobina ( $\epsilon^2 = 0,148$ ).

Significância e Alegações
O artigo afirma que, quando a estrutura de ausência dos dados clínicos não pode ser verificada antecipadamente — um cenário típico na prática especializada — as representações de Grafo de Conhecimento são a escolha mais segura e robusta. O estudo argumenta que o pipeline padrão "imputar-então-reduzir" é clinicamente não confiável sob MNAR porque confunde dados não testados com achados negativos e amplifica esse erro através da redução de dimensionalidade.

A abordagem de KG é apresentada não apenas como uma ferramenta de agrupamento superior, mas como uma solução estrutural para o problema MNAR: ao codificar apenas evidências observadas como arestas, ela evita o erro semântico da imputação inteiramente. Além disso, os autores destacam a utilidade dupla do KG: serve como um input robusto para agrupamento não supervisionado enquanto simultaneamente funciona como uma camada semântica interpretável por humanos para sistemas de suporte à decisão clínica baseados em LLM, permitindo consultas rastreáveis e fundamentadas em fatos que vetores de embedding ou matrizes imputadas não podem fornecer.

Os autores mantêm-se modestos quanto às limitações, observando a natureza de centro único do conjunto de dados, o uso de valores laboratoriais discretizados nas simulações e a natureza retrospectiva do estudo, o que impede a validação prospectiva dos clusters como preditores de desfecho. Eles chamam para a replicação multicêntrica e validação prospectiva como próximos passos necessários.

Mais como este