Prognostic assessment in internal medicine relies on variables recorded at admission, which are not updated as the stay unfolds. Deep sequence models can represent longitudinal hospital records, but they require training cohorts far larger than a single ward provides and yield latent representations without direct interpretation. This thesis develops an interpretable latent-state representation of acute internal medicine admissions, estimable at single-centre scale, and assesses its prognostic contribution beyond routinely collected admission variables. Haemoglobin, creatinine and alanine aminotransferase trajectories of $1039$ patients admitted to IRCCS Ospedale San Raffaele are mapped onto a common daily grid by per-patient generalised additive models, and modelled by an unsupervised four-state hidden Markov model, estimated without covariates or outcomes and checked by pseudo-residuals implemented for multivariate normal emissions. Interpreted clinically a posteriori, the states form a nominal partition: a reference state and three states deranged along a single organ axis, haematological, renal or hepatic. Because the decoded trajectory is complete only at discharge, it is condensed into two quantities computable during the stay: an admission phenotype, assigned by statistical depth against reference profiles built from patients who never change state, and the day-seven state, decoded from first-week data alone. Added to a model containing age, sex, functional independence, comorbidity burden and reason for admission, the admission phenotype significantly improves fit for in-hospital (likelihood-ratio test, $p = 0.0045$) and 90-day mortality ($p = 5.6\times10^{-6}$), with a constant hazard ratio and a modest gain in discrimination. The day-seven state and a state-change alert add nothing further.

In medicina interna la valutazione prognostica si basa su variabili di ammissione, non aggiornate durante la degenza. I modelli profondi per dati longitudinali richiedono coorti più ampie di un singolo reparto e producono rappresentazioni latenti non interpretabili direttamente. Questa tesi sviluppa una rappresentazione a stati latenti interpretabile dei ricoveri acuti, stimabile sulla scala di un singolo centro, e ne valuta il contributo prognostico rispetto alle variabili di ammissione. Le traiettorie di emoglobina, creatinina e alanina aminotransferasi di $1039$ pazienti dell'IRCCS Ospedale San Raffaele sono riportate su una griglia giornaliera tramite modelli additivi generalizzati per paziente, e modellate da un Hidden Markov Model non supervisionato a quattro stati, stimato senza covariate né esiti e verificato con pseudo-residui per emissioni normali multivariate. Interpretati clinicamente a posteriori, gli stati formano una partizione nominale: uno stato di riferimento e tre stati alterati lungo un solo asse d'organo, ematologico, renale o epatico. Completa solo alla dimissione, la traiettoria decodificata viene condensata in due quantità calcolabili durante la degenza: un fenotipo di ammissione, assegnato tramite depth statistica rispetto ai profili dei pazienti che non cambiano stato, e lo stato al settimo giorno, decodificato dalla sola prima settimana. Aggiunto a un modello con età, sesso, autonomia funzionale, comorbidità e motivo del ricovero, il fenotipo migliora significativamente l'adattamento per la mortalità intraospedaliera (rapporto di verosimiglianza, $p = 0{,}0045$) e a 90 giorni ($p = 5{,}6\times10^{-6}$), con hazard ratio costante e modesto guadagno in discriminazione. Stato al settimo giorno e allarme sui cambi di stato non aggiungono ulteriore informazione.

Latent space modelling of inpatient biomarker trajectories: a Hidden Markov approach to clinical phenotyping in general internal medicine

Cecilia, Marco
2025/2026

Abstract

Prognostic assessment in internal medicine relies on variables recorded at admission, which are not updated as the stay unfolds. Deep sequence models can represent longitudinal hospital records, but they require training cohorts far larger than a single ward provides and yield latent representations without direct interpretation. This thesis develops an interpretable latent-state representation of acute internal medicine admissions, estimable at single-centre scale, and assesses its prognostic contribution beyond routinely collected admission variables. Haemoglobin, creatinine and alanine aminotransferase trajectories of $1039$ patients admitted to IRCCS Ospedale San Raffaele are mapped onto a common daily grid by per-patient generalised additive models, and modelled by an unsupervised four-state hidden Markov model, estimated without covariates or outcomes and checked by pseudo-residuals implemented for multivariate normal emissions. Interpreted clinically a posteriori, the states form a nominal partition: a reference state and three states deranged along a single organ axis, haematological, renal or hepatic. Because the decoded trajectory is complete only at discharge, it is condensed into two quantities computable during the stay: an admission phenotype, assigned by statistical depth against reference profiles built from patients who never change state, and the day-seven state, decoded from first-week data alone. Added to a model containing age, sex, functional independence, comorbidity burden and reason for admission, the admission phenotype significantly improves fit for in-hospital (likelihood-ratio test, $p = 0.0045$) and 90-day mortality ($p = 5.6\times10^{-6}$), with a constant hazard ratio and a modest gain in discrimination. The day-seven state and a state-change alert add nothing further.
ING - Scuola di Ingegneria Industriale e dell'Informazione
21-ott-2026
2025/2026
In medicina interna la valutazione prognostica si basa su variabili di ammissione, non aggiornate durante la degenza. I modelli profondi per dati longitudinali richiedono coorti più ampie di un singolo reparto e producono rappresentazioni latenti non interpretabili direttamente. Questa tesi sviluppa una rappresentazione a stati latenti interpretabile dei ricoveri acuti, stimabile sulla scala di un singolo centro, e ne valuta il contributo prognostico rispetto alle variabili di ammissione. Le traiettorie di emoglobina, creatinina e alanina aminotransferasi di $1039$ pazienti dell'IRCCS Ospedale San Raffaele sono riportate su una griglia giornaliera tramite modelli additivi generalizzati per paziente, e modellate da un Hidden Markov Model non supervisionato a quattro stati, stimato senza covariate né esiti e verificato con pseudo-residui per emissioni normali multivariate. Interpretati clinicamente a posteriori, gli stati formano una partizione nominale: uno stato di riferimento e tre stati alterati lungo un solo asse d'organo, ematologico, renale o epatico. Completa solo alla dimissione, la traiettoria decodificata viene condensata in due quantità calcolabili durante la degenza: un fenotipo di ammissione, assegnato tramite depth statistica rispetto ai profili dei pazienti che non cambiano stato, e lo stato al settimo giorno, decodificato dalla sola prima settimana. Aggiunto a un modello con età, sesso, autonomia funzionale, comorbidità e motivo del ricovero, il fenotipo migliora significativamente l'adattamento per la mortalità intraospedaliera (rapporto di verosimiglianza, $p = 0{,}0045$) e a 90 giorni ($p = 5{,}6\times10^{-6}$), con hazard ratio costante e modesto guadagno in discriminazione. Stato al settimo giorno e allarme sui cambi di stato non aggiungono ulteriore informazione.
File allegati
File Dimensione Formato  
2026_10_Cecilia.pdf

accessibile in internet per tutti

Dimensione 3.85 MB
Formato Adobe PDF
3.85 MB Adobe PDF Visualizza/Apri
2026_10_Cecilia_Executive_Summary.pdf

accessibile in internet per tutti

Dimensione 636.04 kB
Formato Adobe PDF
636.04 kB Adobe PDF Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/266626