CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support

Resumen Técnico: Predicción Conformal CASCADE

Enunciado del Problema
La gestión efectiva de medicamentos para la enfermedad de Parkinson (EP) se ve complicada por la progresión heterogénea de la enfermedad y las respuestas variables de los pacientes. Los sistemas de apoyo a la decisión clínica para la EP suelen emplear una arquitectura de dos etapas: un clasificador determina si es necesario un ajuste de medicación (Etapa 1), seguido de un regresor que predice cuánto debe cambiar la dosis (Etapa 2), típicamente medido por la Dosis Diaria Equivalente de Levodopa (LEDD).

Existe una brecha crítica en los métodos actuales de cuantificación de incertidumbre (UQ) para dichos sistemas. Los enfoques estándar de predicción conformal (CP) tratan la etapa de regresión de forma aislada, ignorando la incertidumbre epistémica generada en la etapa de clasificación aguas arriba. En consecuencia, un modelo puede producir un intervalo de predicción estático y estrecho para un paciente donde la decisión de intervenir es altamente ambigua (ej. 55% de certeza), mientras genera un intervalo similar para un paciente con una necesidad clara (ej. 99% de certeza). Este "conservadurismo rígido" falla en comunicar la fiabilidad de las predicciones, lo que podría llevar a una sobreconfianza peligrosa en casos ambiguos y a un conservadurismo innecesario en casos claros.

Metodología: El Marco CASCADE
Los autores introducen CASCADE (Calibración Adaptativa mediante Escalado Conformal y Estimación Distribucional), un marco que propaga la incertidumbre epistémica desde un clasificador de cribado para escalar dinámicamente los intervalos de predicción aguas abajo.

1. Cuantificación de Incertidumbre Epistémica (Etapa 1):
   En lugar de depender de las salidas de probabilidad estándar, el marco emplea predictores Venn-Abers (VA) para generar un intervalo multi-probabilístico $[p_0(x), p_1(x)]$ para la tarea de clasificación. La puntuación de incertidumbre, $u_{VA}(x)$, se define como la longitud de este intervalo ($p_1(x) - p_0(x)$). Un intervalo más ancho indica una mayor ambigüedad sobre si realmente se requiere un cambio en la medicación.

2. Calibración Conformal Adaptativa (Etapa 2):
   La puntuación $u_{VA}(x)$ se mapea directamente a las puntuaciones de no conformidad de la tarea de regresión. Los autores proponen dos estrategias:

   • Enfoque Mondrian (Discreto): El conjunto de calibración se divide en estratos basados en cuantiles de $u_{VA}(x)$. Los intervalos de predicción se construyen utilizando solo los residuos del estrato correspondiente. Aunque es válido, este enfoque sufre de fragmentación de datos.
   • Enfoque de Cascada Continua: Este método utiliza una función de escalado centrada en la media $\sigma(x)$ parametrizada por un factor de sensibilidad $\beta$:
     $$\sigma(x) = 1 + \beta \left( \frac{u_{VA}(x)}{\bar{u}_{VA}} - 1 \right)$$
     Aquí, $\bar{u}_{VA}$ es la incertidumbre media del conjunto de calibración. Si la incertidumbre de un paciente está por encima de la media, el intervalo se expande; si está por debajo, se contrae. El intervalo de predicción final se construye utilizando un cuantil global de las puntuaciones de no conformidad escaladas, asegurando que la longitud del intervalo se escale continuamente con la dificultad de la decisión clínica.

Contribuciones Clave

1. Transferencia de Incertidumbre entre Tareas: El marco establece un mecanismo para mapear la fiabilidad de la clasificación (mediante Venn-Abers) directamente a las puntuaciones de no conformidad conformal, permitiendo que los intervalos de regresión se adapten a la incertidumbre aguas arriba sin entrenar modelos de error auxiliares.
2. Mecanismo de Escalado Continuo: Al introducir un parámetro ajustable $\beta$ en la implementación continua, los autores evitan los artefactos de discretización y la fragmentación del tamaño de la muestra inherentes a los enfoques de agrupamiento (binning) tradicionales (Mondrian).
3. Validación Clínica: El marco se valida sobre una década de datos de pacientes hospitalizados de 631 pacientes en la Universidad de Florida Health, demostrando que mantiene garantías de cobertura marginal mientras mejora significativamente la eficiencia para casos de alta confianza.

Resultados
Evaluado frente a líneas base conformales estándar (Naïve, CP Estándar, CV+, J+aB) y una línea base discreta Mondrian:

• Cobertura: El marco CASCADE Continuo (con $\beta=0.7$) logró una cobertura marginal del 80.1%, cumpliendo el nivel de confianza objetivo del 80%. En contraste, la CP Estándar logró una cobertura del 84.0%, indicando sobre-cobertura debido al conservadurismo rígido.
• Eficiencia: Para pacientes con baja incertidumbre (tercil inferior), CASCADE redujo la longitud promedio del intervalo de predicción en un 38.9% (de 0.113 a 0.069) en comparación con la línea base de CP Estándar.
• Adaptabilidad (Ratio de Cascada): El marco logró un Ratio de Cascada (CR) de 4.23, en comparación con 1.00 para la CP Estándar. Esto indica que la longitud del intervalo para casos de alta incertidumbre (tercil superior) fue casi 2.6 veces más amplia que para casos de baja incertidumbre (0.292 vs. 0.069), creando efectivamente un "colchón de seguridad" para casos ambiguos.
• Significancia Estadística: Una prueba de Kolmogorov-Smirnov confirmó una divergencia significativa ($D=0.62, p < 10^{-54}$) entre las distribuciones de intervalos de CASCADE y la CP Estándar. Además, se observó una correlación de Spearman casi perfecta ($\rho = 0.999$) entre la longitud del intervalo y la puntuación de incertidumbre Venn-Abers, confirmando que la adaptabilidad está impulsada por la señal de incertidumbre.

Significado y Afirmaciones
El artículo afirma que CASCADE cierra la brecha entre la toma de decisiones clínicas discretas y la previsión continua de dosis. Al acoplar explícitamente la incertidumbre de clasificación con la calibración de regresión, el marco actúa como un salvaguarda automatizado:

• Previene la sobreconfianza peligrosa en escenarios complejos o ambiguos al expandir automáticamente los intervalos de predicción para garantizar una cobertura robusta.
• Elimina el conservadurismo innecesario para casos sencillos, proporcionando a los clínicos una guía más precisa y accionable.

Los autores enfatizan que, aunque el marco se validó en la gestión de medicación para la EP, aborda una brecha fundamental de fiabilidad en cualquier pipeline de dos etapas donde una evaluación de intervención discreta precede a una tarea de cuantificación continua. La obra postula que la adaptabilidad no es meramente un mejora técnica, sino una necesidad clínica para alinear el comportamiento de la IA con el principio de primum non nocere (primero, no hacer daño). Los autores señalan que, aunque el marco pone de manifiesto la incertidumbre para advertir a los clínicos, se requiere validación prospectiva y revisión regulatoria antes de su implementación clínica.