Una prescrizione ordinaria può essere un indizio di possibile protezione dall’Alzheimer?

Come il transformer interpreta la gerarchia nei codici medici

I codici medici non sono stringhe piatte: un codice diagnostico per un disturbo pancreatico si inserisce in categorie endocrine più ampie, e quello di una prescrizione indica prima la classe del farmaco, poi la molecola. Un transformer generico legge la sequenza, ma tende a trattare ogni codice come un elemento indifferenziato, appiattendo la gerarchia interna dei significati. Il pre-addestramento qui descritto assegna a ciascun codice cinque sub-token, uno per ogni livello della struttura gerarchica. Ogni sub-token riceve il proprio embedding vettoriale. Un piccolo encoder transformer permette a questi cinque vettori di scambiare informazioni prima che vengano sommati in una singola rappresentazione dell’intero codice.

Per le diagnosi, il sesso viene incorporato come token medico, mentre l’età è trasformata in un vettore da uno strato lineare. Entrambi vengono aggiunti alla rappresentazione della diagnosi. Procedure e prescrizioni formano i vettori di trattamento, elaborati separatamente dalle sequenze diagnostiche. Un blocco di cross-attenzione bidirezionale confronta diagnosi e trattamenti in entrambe le direzioni: questo passaggio consente al modello di apprendere quali terapie seguono tipicamente quali condizioni, anziché assumere che ogni codice sia solo un altro simbolo in una lista.

Anche il compito di addestramento rispetta la gerarchia. Il 15% dei token viene scelto come bersaglio e suddiviso nei cinque sub-token corrispondenti. Nella maggior parte dei casi (80%), il primo sub-token, quello di livello superiore, resta visibile mentre i quattro inferiori vengono mascherati. Il 10% riceve una mascheratura completa e il restante 10% rimane invariato. Il modello è addestrato a prevedere solo il terzo sub-token, un livello intermedio del codice. Questo rende il compito meno fragile rispetto all’indovinare il codice più specifico, poiché molti codici di dettaglio condividono la stessa categoria ampia.

Nei test di pre-addestramento per la previsione di quel token diagnostico intermedio, l’architettura completa raggiunge un’accuratezza del 0,5867 e un coefficiente di correlazione di Matthews (MCC) di 0,5797. Una versione con aggregazione gerarchica dei sub-token ma senza mascheratura parziale scende a un’accuratezza di 0,3913, mentre un’ablazione dell’auto-attenzione che utilizza entrambi i metodi raggiunge il 0,5804. Il divario dimostra che la suddivisione gerarchica aiuta e che il riferimento incrociato diagnosi-trattamento aggiunge un guadagno piccolo ma costante.

Cosa predicono le rappresentazioni apprese su demenza e ricoveri ospedalieri

Un anno di dati assicurativi giapponesi è stato condensato in un profilo sanitario compatto per ciascun individuo, su cui il modello ha provato a prevedere due eventi: l’esordio della demenza, identificata dai codici diagnostici relativi alla malattia di Alzheimer e alle demenze correlate, e il ricovero ospedaliero durante il periodo di osservazione. Il sistema non analizza note cliniche o immagini, ma si basa esclusivamente su diagnosi, procedure, prescrizioni, sesso ed età codificati nei dati assicurativi.

Ogni mese, l’algoritmo genera un vettore per le diagnosi e uno per i trattamenti. Questi due riepilogi mensili vengono fusi in una singola istantanea clinica. Le dodici istantanee formano così una breve sequenza che riflette l’evoluzione delle cure nell’arco dell’anno, mentre uno strato finale converte questo riepilogo annuale in probabilità di esordio della demenza e di ricovero ospedaliero.

La validazione del modello è stata condotta su pazienti esclusi dalla fase di addestramento: il 10% dei casi è stato riservato come gruppo di test, mentre i restanti sono stati suddivisi in nove ripiegamenti (folds) per garantire che ogni paziente fosse valutato una sola volta. I risultati riportati sono la media tra questi folds. La coorte era composta prevalentemente da anziani, con un’età media compresa tra 73 e 74 anni e circa nove mesi di attività assicurativa registrata nell’anno.

Per l’esordio della demenza, il modello più performante ha raggiunto una ROC-AUC di 0,8164 e un coefficiente di correlazione di Matthews (MCC) di 0,2577, con una PR-AUC di 0,2204. Una versione semplificata dell’architettura, priva dei due meccanismi di addestramento specifici per la codifica medica, ha ottenuto una PR-AUC di 0,1949: un divario che corrisponde a un miglioramento relativo del 13% nell’area precisione-ricall. Dato che la demenza era poco frequente nel campione finale (incidenza del 6,2%), la ROC-AUC può apparire incoraggiante pur lasciando sfuggere molti casi. L’area precisione-ricall offre invece una misura più rigorosa, poiché valuta quanto efficacemente il modello collochi i veri casi di demenza al di sopra dei non-casi.

Il ricovero ospedaliero era molto più comune nel campione di valutazione, con un’incidenza del 31,6%. La stessa rappresentazione annuale ha generato una probabilità di ricovero per ogni paziente. Poiché gli eventi erano frequenti, un predittore utile doveva distinguere chi sarebbe stato ricoverato da chi no, evitando di segnalare la maggior parte dei pazienti.

Dalla prescrizione ordinaria all’indizio prioritario sulla protezione dall’Alzheimer

Le cartelle cliniche ordinarie sono piene di segnali sottili che sfuggono all’attenzione del medico. Una prescrizione per la pressione arteriosa, una visita in laboratorio e un codice diagnostico inserito in un giorno qualunque possono far parte di uno schema quando si confrontano milioni di voci simili. Un approccio di screening utilizza i dati delle richieste di rimborso giapponesi e le informazioni assicurative dei fondi sanitari locali per trasformare queste voci di routine in indizi classificati su possibili protezioni contro l’Alzheimer. Non afferma che un farmaco comune prevenga la malattia di Alzheimer. Chiede invece se alcuni schemi di prescrizione compaiano meno frequentemente tra le persone che sviluppano successivamente la patologia.

Lo screening per il riposizionamento terapeutico è partito da un campione casuale di 100.000 persone estratte da un gruppo più ampio di pre-addestramento. Dopo l’applicazione delle regole di ammissibilità, ne sono rimaste 80.308. Nessuna presentava demenza o malattia di Alzheimer tra gennaio 2017 e dicembre 2018, e tutte avevano un’iscrizione assicurativa continua per il periodo richiesto. Nei campioni finali, l’esordio della malattia di Alzheimer si è verificato in circa il 2,8% delle persone, una frequenza così bassa che una debole associazione può facilmente essere scambiata per rumore statistico. Per questo motivo la procedura utilizza il controllo statistico dei falsi positivi prima di considerare un legame farmaco-malattia degno di ulteriore attenzione.

L’escamotage pratico consiste nel mantenere onesta la domanda mentre si classificano i candidati. Se il modello vede semplicemente che una persona ha assunto un certo medicinale, potrebbe imparare chi è stato trattato invece di capire quale trattamento sia associato a un rischio inferiore. Per ridurre questa scorciatoia, i token delle prescrizioni per il farmaco target e quelli dei farmaci correlati vengono rimossi quando i vettori diagnostici sono usati per la priorizzazione. Il risultato è una lista breve di ipotesi su associazioni protettive che hanno superato lo screening. Sono indizi da testare, non fatti stabiliti sulla protezione contro l’Alzheimer.

Perché uno screening osservazionale non basta: serve una validazione indipendente

Lo screening costruito su cartelle cliniche di routine è utile perché trasforma milioni di contatti medici banali in un elenco breve di ipotesi che meritano attenzione. I dati assicurativi utilizzati qui provengono da compagnie giapponesi e coprono diversi milioni di persone, quindi gli schemi emersi non derivano da una singola clinica o ospedale. Tuttavia, l’output di uno screening del genere è un segnale, non una sentenza: indica che un farmaco compare più spesso tra le persone che non hanno sviluppato la demenza nel periodo osservato, ma non dimostra che quel farmaco abbia causato il rischio inferiore.

Questa distinzione è cruciale perché i registri ordinari mescolano terapia e malattia. Un paziente con molte prescrizioni potrebbe essere più malato, più anziano o sottoposto a un monitoraggio più stretto rispetto a chi ne ha poche. La stessa persona può inoltre avere un migliore accesso alle cure, regole assicurative diverse o abitudini del medico che influenzano ciò che viene annotato nella cartella. Se questi fattori non vengono misurati completamente, un’associazione può apparire protettiva anche quando il farmaco non ha alcun effetto. Per questo motivo la procedura tratta i suoi risultati come ipotesi da priorizzare, non come prove di beneficio causale.

I controlli statistici aiutano a restringere l’elenco ma non eliminano questo problema. Dopo il controllo del tasso di scoperta falsa, alcuni collegamenti candidati che mostravano associazioni protettive hanno superato lo screening, sebbene in quella parte del risultato non venga nominato alcun farmaco o malattia specifica. Il matching per punteggio di propensione può bilanciare le differenze misurabili tra persone trattate e non trattate: per due indicatori di gravità, la maggior parte delle differenze medie standardizzate era piccola dopo il matching, spesso inferiore a 0,1. È un buon segno, ma copre solo ciò che è stato registrato. Abitudini non misurate, storia familiare, dieta, supporto sociale o scelte di codifica restano nascosti nei numeri.

È quindi necessario un passo di validazione separato prima che qualsiasi significato clinico possa essere attribuito a un collegamento segnalato. Un dataset indipendente può testare se lo stesso schema appare al di fuori del campione originale. Una sperimentazione randomizzata può assegnare i pazienti a gruppi con e senza trattamento, bloccando molti dei fattori confondenti che i dati osservazionali non possono controllare completamente. Fino ad allora, lo screening ha svolto la sua vera funzione: ha ordinato il rumore routinario in indizi plausibili, non protezione provata.

Come gli schemi di fatturazione possono orientare verso la protezione dall’Alzheimer

Un modello addestrato sui dati delle assicurazioni sanitarie giapponesi trasforma i codici di fatturazione in una mappa che mostra come diagnosi, procedure e prescrizioni si muovano insieme. Imparando il livello intermedio della codifica medica, cattura gli schemi delle malattie senza annegare nella granularità di ogni singolo codice. Il suo segnale più forte emerge nella demenza, dove un anno di fatturazioni mensili fornisce un segnale predittivo più robusto rispetto ai modelli transformer consolidati o a metodi tabellari semplici. Anche l’ospedalizzazione viene prevista dalla stessa rappresentazione annuale, offrendo una seconda verifica che gli schemi appresi seguano eventi clinici reali. Le stesse rappresentazioni diventano poi una lente di screening per il riposizionamento dei farmaci. Quattro farmaci candidati, vildagliptina, candesartan, loxoprofene e pitavastatina, hanno mostrato associazioni protettive sufficientemente forti da superare il controllo del tasso di scoperta falsa. Non si tratta di terapie dimostrate. Sono ipotesi classificate che meritano un esame clinico più approfondito. La promessa più ampia è un motore di scoperta costruito su dati già raccolti per i pagamenti, in cui schemi di trattamento rari possono essere confrontati tra milioni di pazienti.

Gli ostacoli sono altrettanto chiari. Poiché le fatturazioni sono redatte a fini di pagamento, una diagnosi può comparire solo dopo che esami o prescrizioni hanno già orientato la cura. La popolazione è inoltre anziana e giapponese, quindi i risultati necessitano di test in altri gruppi d’età, contesti genetici e sistemi sanitari. I campioni estratti possono lasciare le malattie rare e i farmaci poco frequenti sottorappresentati, anche se il database completo contiene oltre cinque milioni di persone. L’estensione a fatturazioni complete, la validazione dei candidati in coorti indipendenti e il passaggio dall’associazione a domande pronte per la sperimentazione decideranno se questo flusso di lavoro diventerà una parte routine della scoperta di farmaci. Se i registri di fatturazione possono rivelare segnali protettivi nascosti nelle cure ordinarie, quante altre malattie sono in attesa della rappresentazione giusta?