Medication-Aware Financial Exploitation Detection for Alzheimer's Patients Using Edge-Aware Interaction Risk Modeling

Resumen Técnico: Detección de Explotación Financiera Consciente de la Medicación para Pacientes con Alzheimer

Planteamiento del Problema
La explotación financiera representa una amenaza significativa para las personas con la enfermedad de Alzheimer, particularmente durante periodos de reducción de la estabilidad cognitiva. Los sistemas convencionales de detección de fraude suelen basarse únicamente en patrones de comportamiento financiero, ignorando factores clínicamente relevantes que alteran dinámicamente la vulnerabilidad de un paciente. La investigación existente a menudo trata la vulnerabilidad como una condición estática o se centra en herramientas generales de cuidado y comunicación, fallando al no integrar el contexto clínico dinámico —específicamente la adherencia a la medicación— en el modelado de riesgo a nivel de transacción. En consecuencia, la detección de anomalías estándar puede no interpretar de manera distinta la misma transacción basándose en el estado clínico actual del paciente (por ejemplo, si ha omitido una dosis programada).

Metodología
El artículo propone un marco de trabajo consciente de la medicación que sincroniza los registros de adherencia a la medicación con los flujos de transacciones financieras para detectar eventos financieros cognitivamente riesgosos. La metodología se estructura en tres capas: una capa de percepción para la captura de eventos, una capa de razonamiento para la alineación de características y una capa de acción para la puntuación de riesgo.

• Construcción del Conjunto de Datos: Se generó un conjunto de datos híbrido de simulación que involucra a 180 pacientes sintéticos durante 45 días, produciendo 8,100 registros de medicación y 30,855 transacciones. La adherencia a la medicación se modeló como un evento programado diario donde la omisión de una dosis activa una "ventana de vulnerabilidad" (con una duración de 12 horas). Las transacciones se generaron utilizando procesos de Poisson específicos de cada paciente, con un aumento en la actividad de ráfagas y en las probabilidades de explotación durante estas ventanas de vulnerabilidad.
• Ingeniería de Características: Se extrajeron cinco características clave para cada transacción:
  1. Anomalía de Monto ($A_i$): Una puntuación de desviación positiva robusta basada en el gasto mediano específico del paciente.
  2. Novedad del Vendedor ($V_i$): Indicador binario de si el vendedor es desconocido.
  3. Pico de Frecuencia ($F_i$): Desviación en el recuento de transacciones dentro de una ventana de una hora.
  4. Desviación de Tiempo ($T_i$): Puntuación de riesgo basada en la hora del día.
  5. Adherencia a la Medicación ($M_i$): Indicador binario (1 para tomada, 0 para omitida).
• Modelado Predictivo: Se evaluaron tres formulaciones de regresión logística:
  1. Línea Base Solo Financiera: Utiliza las características $(A, V, F, T)$.
  2. Conciencia Aditiva de la Medicación: Añade $M_i$ como una característica directa.
  3. Modelo de Conciencia de Interacción: Conserva las características originales y añade términos de interacción $(A(1-M), V(1-M), F(1-M), T(1-M))$. Esta formulación pone a prueba si la omisión de la medicación altera la interpretación de las anomalías financieras.
• Evaluación: Los modelos se entrenaron con el 80% de los pacientes y se probaron con el 20% restante. El rendimiento se midió mediante precisión, exactitud (precision), exhaustividad (recall), F1-score, ROC-AUC y Precisión Media (AP). Crucialmente, una evaluación secundaria restringió el conjunto de prueba a las transacciones ocurridas dentro de las ventanas de vulnerabilidad para evaluar el rendimiento en situaciones críticas de seguridad.

Contribuciones Clave

1. Innovación del Marco de Trabajo: Introducción de un marco de modelado de riesgo consciente de la medicación que trata la adherencia como un modificador contextual del riesgo financiero, en lugar de un descriptor estático del paciente.
2. Síntesis de Datos: Construcción de un conjunto de datos híbrido sincronizado que vincula los eventos diarios de medicación con los flujos de transacciones, modelando explícitamente el acoplamiento temporal entre la omisión de dosis y el aumento del riesgo de explotación.
3. Comparación de Modelos: Un análisis comparativo de la puntuación ponderada interpretable, las líneas base aditivas y los modelos de conciencia de interacción, demostrando que los términos de interacción capturan mejor la hipótesis clínica.
4. Evaluación Contextual: Evaluación del rendimiento que distingue entre las capacidades de detección global y la sensibilidad específicamente dentro de las ventanas de vulnerabilidad inducidas por la medicación.

Resultados

• Rendimiento Global: La línea base solo financiera alcanzó el F1-score global más alto (0.5000). El modelo de conciencia de interacción tuvo un F1 global ligeramente inferior (0.4826) pero logró la mayor Precisión Media (0.4476) y exhaustividad (0.6407), lo que indica una clasificación superior de los casos de alto riesgo.
• Rendimiento en la Ventana de Vulnerabilidad: El hallazgo más significativo ocurrió durante las ventanas de omisión de medicación. El modelo de conciencia de interacción mejoró la exhaustividad de 0.7442 (solo financiera) a 0.9070, con solo una disminución marginal en el F1-score (0.5865 frente a 0.5926). Esto sugiere que el modelo identifica con éxito una mayor proporción de eventos de explotación reales cuando el paciente está clínicamente vulnerable.
• Interpretación de Características: El análisis de coeficientes reveló que la novedad del vendedor es la señal dominante. Sin embargo, los términos de interacción $V(1-M)$ y $A(1-M)$ fueron positivos, confirmando que los vendedores desconocidos y los montos anormales se vuelven significativamente más sospechosos cuando se omite la medicación. La adherencia a la medicación actúa más bien como un modificador contextual que como un predictor independiente.

Significado y Reivindicaciones
El artículo sostiene que la adherencia a la medicación es más efectiva no como un predictor aislado de fraude, sino como un modificador contextual que cambia la forma en que deben interpretarse las anomalías financieras. El estudio demuestra que la sincronización de las señales clínicas y financieras permite una protección más consciente del contexto para individuos cognitivamente vulnerables.

Los autores enfatizan que el marco está diseñado para un despliegue consciente del borde (edge-aware) y sensible a la privacidad, convirtiendo los datos brutos en características de riesgo compactas para evitar la exposición de historiales clínicos o bancarios sensibles. Abogan por una estrategza de protección por capas: un detector solo financiero para el cribado general, aumentado por un modelo de conciencia de interacción que incrementa la sensibilidad durante ventanas de vulnerabilidad específicas. Este enfoque respalda intervenciones graduadas (por ejemplo, revisión del cuidador) en lugar de bloqueos automáticos, preservando la autonomía del paciente mientras se minimiza el riesgo de omisión de explotación durante periodos críticos.

El documento establece explícitamente que estos hallazgos se basan en una validación basada en simulaciones y no pretenden una disponibilidad inmediata para el despliegue clínico o bancario real. La contribución principal es la prueba de concepto de que el modelado de conciencia de interacción mejora la detección sensible a la vulnerabilidad en comparación con las líneas base de solo financiera o aditivas.