RarePathAI: Predictive Analytics to Identify Rare Diseases in Real-World Data

Resumo Técnico: RarePathAI

Problema
As doenças raras (DRs) afetam milhões de indivíduos nos Estados Unidos, mas os pacientes frequentemente enfrentam uma "odisséia diagnóstica" caracterizada por atrasos prolongados, erros de diagnóstico e falta de familiaridade clínica. Uma barreira primária para o diagnóstico oportuno é a limitação dos dados de saúde e das práticas de codificação existentes. Mais da metade das DRs conhecidas carece de códigos específicos da Classificação Internacional de Doenças (ICD-10), forçando a dependência de códigos diagnósticos inespecíficos que obscurecem os fenótipos dos pacientes. Além disso, integrar terminologias fenotípicas padronizadas e granulares (como a Human Phenotype Ontology, HPO) com dados do mundo real (RWD) de reivindicações administrativas permanece tecnicamente desafiador. As abordagens tradicionais de aprendizado de máquina frequentemente falham em capturar as relações complexas, temporais e interdependentes inerentes às jornadas dos pacientes, particularmente quando os padrões de sintomas são heterogêneos.

Metodologia
Os autores apresentam o RarePathAI, um framework que integra dados de reivindicações administrativas dos EUA, ontologias de doenças raras e Redes Neurais de Grafos (GNNs) para apoiar o diagnóstico precoce.

• Ecossistema de Dados: O sistema utiliza o Symphony Integrated Dataverse (~320 milhões de indivíduos únicos) cobrindo de julho de 2018 a junho de 2025. Isso é combinado com dados de referência da Orphanet (nomenclatura de doenças e epidemiologia) e da Human Phenotype Ontology (HPO).
• Construção de Coorte: O estudo focou em 98 coortes de doenças raras curadas, cada uma com uma prevalência de 1 a 50 por 100.000 nos EUA e associada a pelo menos três sintomas clínicos comumente observados. As coortes de pacientes exigiam pelo menos um ano de histórico de reivindicações pré-diagnóstico e três encontros clínicos. As datas de diagnóstico foram estabelecidas usando códigos ICD-10 inequívocos (exigindo duas ocorrências com 60 dias de intervalo) ou tratamentos específicos da doença.
• Esquema de Grafo: Um banco de dados de grafos foi construído onde os pacientes são representados como subgrafos.
  • Nós: Derivados de RWD (Paciente, Encontro, Diagnóstico, Procedimento, Especialidade, Faixa Etária) e Dados de Referência (Doença Rara, Termo HPO, Tripletos de Idade Significativos).
  • Embeddings: Os nós de dados de referência foram enriquecidos com representações vetoriais. As descrições textuais foram processadas via BioBERT para gerar embeddings de 768 dimensões. As relações estruturais dentro da rede de referência foram codificadas usando ProNE para gerar embeddings de 512 dimensões.
  • Tripletos de Idade: Para abordar a falta de dados de sintomas específicos por idade nas ontologias de referência, os autores utilizaram o Claude 3.5 (LLM) para gerar nós de "tripletos de idade" (Idade-ICD-RD), vinculando sintomas específicos a faixas etárias típicas de manifestação.
• Arquitetura do Modelo: Um modelo preditivo empilhado de duas etapas foi desenvolvido:
  1. Classificador Binário: Determina se um paciente tem probabilidade de ter qualquer uma das 98 doenças raras alvo versus uma população de controle geral.
  2. Classificador Multiclasse: Para pacientes sinalizados como positivos, este modelo prevê a probabilidade de diagnósticos específicos entre as 98 classes.
  • A GNN utiliza uma implementação em PyTorch com camadas GraphConv, apresentando nove camadas de passagem de mensagens com 256 canais, ativação Tanh e agregação de média.
  • A importância das características foi avaliada via análise de perturbação (removendo nós para medir mudanças na pontuação).

Principais Resultados

• Escala: O grafo final continha mais de 40 milhões de nós e mais de 350 milhões de arestas.
• Classificação Binária: O modelo alcançou uma Área Sob a Curva de Característica de Operação do Receptor (ROC-AUC) de 0,951. Em um limiar de decisão mais alto, o modelo manteve uma Taxa de Verdadeiros Positivos de 84% enquanto reduzia a Taxa de Falsos Positivos para 5%.
• Classificação Multiclasse: O modelo gerou listas ranqueadas de diagnósticos prováveis.
  • Recall Ponderado Top 10: 74,8% (significa que o diagnóstico correto apareceu nas 10 sugestões principais para 74,8% dos pacientes).
  • Recall Ponderado Top 15: 80,3%.
  • Recall Ponderado Top 20: 84,2%.
• Importância das Características: A análise de perturbação confirmou que os nós associados a sinais clínicos chave (ex: ataxia para ataxia de Friedreich, atrasos no desenvolvimento para síndrome de Prader-Willi) foram os principais impulsionadores das previsões do modelo.
• Alinhamento de Dados: O estudo observou que, embora os sintomas "Muito frequentes" da HPO fossem esperados em quase todos os pacientes, apenas 6,2% foram observados nos dados de reivindicações pré-diagnóstico, destacando as limitações do pareamento baseado em reivindicações e a necessidade da capacidade do modelo de inferir padrões a partir de dados esparsos.

Significância e Alegações
O artigo alega que o RarePathAI oferece um método escalável e interpretável para reduzir os atrasos diagnósticos, movendo a detecção de doenças raras de ambientes de pesquisa isolados para a prática clínica rotineira. As principais contribuições incluem:

1. Aprendizado Baseado em Grafos: Demonstrar que as GNNs podem capturar relações complexas e latentes entre sintomas, procedimentos e doenças que os modelos tradicionais perdem, sem a necessidade de engenharia extensiva de características manuais.
2. Integração de Ontologias: Ponte bem-sucedida entre dados de reivindicações não estruturados e ontologias estruturadas (Orphanet/HPO) usando técnicas de embedding e dados de idade aumentados por LLM.
3. Utilidade Clínica: A abordagem de duas etapas (triagem seguida por ranqueamento específico) alinha-se ao raciocínio clínico, fornecendo uma lista de diagnóstico diferencial ranqueada para estreitar o espaço de busca para os clínicos.
4. Visão Futura: Os autores propõem uma "camada de orquestração agêntica de IA" para implantação futura. Este sistema não apenas forneceria sugestões diagnósticas em tempo real, mas também coordenaria agentes de IA especializados para gerar insights explicáveis e orientação interativa, potencialmente direcionando testes direcionados oportunos (incluindo investigações genéticas).

Os autores enfatizam que, embora o modelo mostre um forte desempenho preditivo, a validação clínica em diversas populações e a integração em sistemas de Prontuário Eletrônico do Paciente (PEP/EMR) são próximos passos essenciais para garantir confiabilidade e segurança em ambientes do mundo real. Eles reconhecem limitações, incluindo a granularidade dos dados de reivindicações e os inevitáveis desajustes semânticos entre os termos HPO e os códigos ICD-10.