A Deep Set-Based Aggregation Approach for Repeated Measurements: Insights from Variable-Length Wearable Device-Measured Physical Activity Data

Resumo Técnico: Uma Abordagem de Agregação Baseada em Conjuntos Profundos para Medições Repetidas

Definição do Problema
A rápida integração de dispositivos vestíveis (wearables) na saúde digital permitiu o monitoramento contínuo e em tempo real de métricas de pacientes, como a atividade física (AF). No entanto, utilizar esses dados para modelagem preditiva apresenta desafios significativos. Medições repetidas de wearables frequentemente variam em comprimento entre indivíduos devido a dados ausentes ou diferenças de adesão, criando entradas de "comprimento variável" que algoritmos padrão de aprendizado de máquina não podem processar diretamente, pois estes geralmente exigem vetores de características de comprimento fixo.

Soluções tradicionais envolvem agregar essas observações repetidas em estatísticas de resumo (ex: médias) para fixar a dimensionalidade. Embora eficaz para reduzir a dimensionalidade, a agregação simples frequentemente descarta dinâmicas temporais valiosas e padrões de interação entre as observações. Além disso, arquiteturas de aprendizado profundo existentes (ex: CNNs, RNNs) frequentemente assumem uma correspondência um-para-um entre vetores de características e resultados, tornando-as inadequadas para mapear múltiplas observações de séries temporais para um único desfecho clínico sem suposições restritivas sobre independência.

Metodologia
O estudo utilizou dados da Pesquisa Nacional de Exame de Saúde e Nutrição (NHANES) de 2011–2014, focando em adultos com artrite. O conjunto de dados incluiu medições de AF derivadas de acelerômetro de vários dias (registradas como unidades de Resumo de Movimento Independente do Monitor [MIMS]) e covariáveis de uma única vez (demografia, AF autorrelatada, condições médicas). O estudo avaliou dois desfechos binários: a necessidade de equipamento especial para caminhar e a presença de funcionamento físico deficiente.

Três estratégias de agregação foram comparadas para transformar dados de AF de comprimento variável em preditores de comprimento fixo:

1. Agregação Simples (Método 1): Calculou a média aritmética das medições diárias de AF para cada participante. Isso serve como um baseline, assumindo que o valor médio representa suficientemente o perfil de atividade do indivíduo.
2. Agregação Ajustada pela Variância (Método 2): Empregou uma abordagem estatística para ajustar a média simples com base na confiabilidade das medições. Este método decompõe a variância em componentes entre indivíduos e dentro do indivíduo. Ele aplica pesos à média populacional, à média observada do indivíduo e às covariáveis de uma única vez. O esquema de ponderação aumenta a dependência das medições repetidas quando a variância dentro do indivíduo é baixa e o número de observações é alto, deslocando o peso para as covariáveis quando as medições são esparsas ou altamente variáveis.
3. Abordagem de Conjunto Profundo - Deep Set (Método 3): Implementou uma arquitetura de aprendizado profundo projetada especificamente para entradas de conjuntos de comprimento variável. Esta abordagem aproveita duas propriedades principais: invariância de permutação (a saída é independente da ordem dos elementos de entrada) e equivariância de permutação.
   • Arquitetura: O modelo trata o histórico de AF de cada participante como um conjunto. Para dados de nível diário, o modelo utilizou um mecanismo de autoatenção (self-attention) com vetores de Consulta, Chave e Valor (QKV) para capturar dependências temporais e interações entre os dias sem engenharia de características explícita. Para dados de nível de minuto (alta frequência, entradas complexas), a arquitetura incorporou camadas de Redes Neurais Convolucionais (CNN) para extração de características antes da agregação por autoatenção.
   • Treinamento: O modelo foi treinado para aprender conjuntamente a extração de características e a agregação, permitindo descobrir padrões não lineares através de observações repetidas que métodos tradicionais poderiam perder.

Principais Resultados
O estudo avaliou o desempenho do modelo usando AUC, acurácia, precisão, recall e F1 score através de 100 iterações de divisões de treino-teste de 80/20.

• Dados de Nível Diário: Para resumos de AF de nível diário, a abordagem Deep Set geralmente melhorou a acurácia e os escores F1 em comparação com a agregação simples e ajustada pela variância. No entanto, exibiu pontuações de AUC menores, particularmente entre participantes com menos observações (< 6 dias). Neste subgrupo de baixa observação, o modelo Deep Set teve desempenho inferior, provavelmente devido ao pequeno tamanho da amostra deste grupo e à falta de interações temporais significativas em dados de curto prazo. Inversamente, para participantes com 6–7 dias de dados, as diferenças de desempenho entre os métodos diminuíram.
• Dados de Nível de Minuto: Quando aplicado a dados de AF de nível de minuto, a abordagem Deep Set demonstrou desempenho geral superior, alcançando os maiores valores de AUC, acurácia e F1 score para ambos os desfechos. Isso sugere que a capacidade do modelo de extrair características e modelar dinâmicas temporais complexas de alta frequência proporciona uma vantagem significativa quando a resolução dos dados é alta.
• Ajuste de Variância: O método de ajuste de variância mostrou melhoria prática mínima em relação à agregação simples neste conjunto de dados específico, em grande parte porque a maioria dos participantes possuía observações suficientes (6–7 dias), resultando em baixa variância dentro do indivíduo e, consequentemente, pequenos pesos de ajuste.

Significância e Contribuições
O artigo contribui com um framework comparativo para a seleção de estratégias de agregação na saúde digital, enfatizando que o método ideal depende da complexidade, variabilidade e tamanho da amostra dos dados.

• Seleção Dependente de Contexto: Os autores propõem que a agregação simples permanece suficiente para medições repetidas relativamente estáveis e de baixa frequência (ex: AF de nível diário com padrões consistentes). Em contrapartida, abordagens baseadas em Deep Sets são mais benéficas para dados complexos e de alta frequência (ex: fluxos de nível de minuto), onde capturar dinâmicas temporais não lineares é crucial.
• Lidando com Comprimento Variável: O estudo valida a arquitetura Deep Set como uma solução viável para integrar dados de wearables de comprimento variável em modelos clínicos sem descartar participantes com dados incompletos ou perder a nuance temporal.
• Diretrizes Práticas: As descobertas oferecem um roteiro para pesquisadores: se o conjunto de dados contém muitos participantes com inúmeras e complexas observações dinâmicas, os Deep Sets são vantajosos. No entanto, para dados esparsos ou métricas simples, a agreção estatística tradicional pode ser mais robusta e menos propensa ao overfitting.

Os autores concluem que, embora os Deep Sets ofereçam uma flexibilidade excepcional para aplicações reais de medicina digital envolvendo fluxos de dados complexos, seu desempenho é contingente em ter volume de dados suficiente e densidade de observação para aprender interações significativas.