Interventional Flow Matching: Prospective Dose-Response Forecasting with Velocity-Field Jacobian Regularization

Resumen Técnico: Flujo de Emparejamiento Intervencionista (IFM)

Planteamiento del Problema
El artículo aborda el desafío del pronóstico intervencionista prospectivo en la gestión de la glucosa. A diferencia de la extrapolación estándar de series temporales, donde los factores de entrada futuros son observados, la planificación de tratamientos requiere predecir la trayectoria fisiológica de un paciente bajo una secuencia planificada de entradas de insulina y carbohidratos ($U^{int}_{1:H}$).

La dificultad central es el confundimiento (confounding): en los datos observacionales, los impulsores futuros (insulina/comida) están determinados por políticas clínicas y el comportamiento del paciente vinculados al estado actual. Un modelo puramente predictivo puede aprender correlaciones espurias (por ejemplo, asociar la administración de insulina con un aumento de la glucosa porque la insulina suele administrarse cuando la glucosa ya está alta) en lugar del verdadero efecto causal fisiológico. En consecuencia, una alta precisión en las trayectorias observadas no garantiza respuestas correctas ante intervenciones planificadas. El objetivo es aprender la distribución intervencionista $p(G_{1:H} | X_{1:L}, do(U_{1:H} = U^{int}_{1:H}))$ que respete las restricciones fisiológicas sin depender de ecuaciones mecanísticas rígidas.

Metodología: Flujo de Emparejamiento Intervencionista (IFM)
El IFM es un marco generativo de tiempo continuo que condiciona un campo de velocidad de emparejamiento de flujo a la historia del paciente y a los impulsores futuros planificados. La arquitectura consta de tres componentes principales:

1. Procesamiento de Entrada y Representación Latente:

   • Codificación de la Historia: Un codificador Mamba residual resume la historia observada del paciente ($X_{1:L}$).
   • Suavizado de Impulsores: Las entradas planificadas de insulina y carbohidratos pasan a través de un suavizador Farmacocinético (PK) aprendido para modelar efectos fisiológicos retardados y distribuidos, convirtiendo impulsos dispersos en impulsores suavizados efectivos ($D_{1:H}$).
   • Espacio Latente: La glucosa se mapea a un espacio latente no acotado $z$ mediante una transformación sigmoidea, permitiendo que la dinámica del flujo opere sin restricciones de frontera mientras las predicciones decodificadas permanecen dentro de los límites fisiológicos ($[g_{min}, g_{max}]$).

2. Red de Velocidad Condicional:

   • El modelo utiliza un campo de velocidad escalar $v_\theta$ que transporta la glucosa latente a lo largo de un tiempo de flujo continuo $\tau$.
   • La red está condicionada por el estado recurrente (historia) y los impulsores suavizados mediante AdaLN (Normalización de Capa Adaptativa). Esto permite que los impulsores planificados modulen directamente la dinámica de transporte local.
   • La inferencia procede mediante un despliegue (rollout) autorregresivo: el campo de velocidad predice el siguiente estado latente, el cual actualiza el estado recurrente para el siguiente paso de tiempo físico.

3. Regularización del Jacobiano del Campo de Velocidad (La Innovación Central):

   • En lugar de imponer restricciones estrictas de Ecuaciones Diferenciales Ordinarias (ODE) o utilizar costosos procesos de clasificación basados en despliegues, el IFM impone una regularización libre de solver sobre el campo de velocidad instantáneo.
   • Calcula el Jacobiano del campo de velocidad con respecto a los impulsores suavizados.
   • Se aplica un término de penalización ($L_{jac}$) para asegurar que estas sensibilidades locales caigan dentro de rangos fisiológicos con signo y límites de dosis:
     • La sensibilidad a la insulina debe ser negativa (reduce la glucosa).
     • La sensibilidad a los carbohidratos debe ser positiva (aumenta la glucosa).
     • Las magnitudes deben permanecer dentro de límites plausibles (por ejemplo, evitando la sensibilidad cero o valores extremos).
   • Esta penalización se aplica punto a punto al campo de velocidad en los estados de flujo muestreados, evitando el costo computacional de diferenciar a través de despliegues completos de múltiples pasos.

Contribuciones Clave

1. Respuestas Intervencionistas Fisiológicamente Válidas: El IFM asegura que el modelo aprenda la semántica de intervención correcta (la insulina baja, los carbohidratos suben) mediante la regularización del campo de velocidad local, en lugar de depender únicamente del ajuste de trayectorias observacionales.
2. Restricción sin ODEs Mecanísticas: A diferencia de los modelos híbridos que requieren ecuaciones diferenciales especificadas a mano o compartimentos latentes, el IFM utiliza prioridades direccionales débiles pero fiables impuestas mediante una penalización de Jacobiano, ofreciendo una alternativa más ligera a los andamiajes mecanísticos completos.
3. Regularización Libre de Simulación: La penalización de intervención se aplica directamente a las derivadas del campo de velocidad, lo que es computacionalmente más eficiente que los objetivos de clasificación basados en trayectorias que requieren simulaciones completas.
4. Mejor Equilibrio entre Precisión e Intervención: El marco equilibra la alta precisión de los impulsores observados con una fuerte validez intervencionista.

Resultados Experimentales
El método fue evaluado en un simulador de cohorte de diabetes Tipo 1 (simulador UVA/Padova) con 100 sujetos virtuales.

• Métricas: El rendimiento se midió mediante el RMSE de impulsor observado y métricas de respuesta intervencionista: magnitud de sensibilidad ($S_{ins}, S_{carb}$), consistencia direccional estricta ($D_{strict}$) y consistencia de clasificación estricta ($R_{strict}$).
• Hallazgos:
  • El IFM logró el equilibrio más sólido entre la precisión observada y la validez intervencionista.
  • Los modelos de referencia como LSTM y TCN lograron un RMSE bajo, pero fallaron al producir respuestas de intervención fisiológicamente correctas (por ejemplo, sensibilidades débiles o invertidas).
  • Los modelos de referencia mecanísticos/híbridos (por ejemplo, Hovorka, BNODE) mostraron resultados mixtos; algunos tuvieron una alta consistencia de clasificación pero una sensibilidad a la insulina débil, o viceversa.
  • Ablación: Eliminar la penalización de Jacobiano ($\lambda_{jac}=0$) resultó en el mejor RMSE pero en un fallo catastrófico de la validez intervencionista ($D_{strict} \approx 0.48$, $R_{strict} \approx 0.00$), confirmando que la precisión observacional no implica corrección causal.
  • Fidelidad: Fue necesaria una pérdida de fidelidad de submuestreo ligera para controlar la acumulación de error autorregresivo sin sacrificar los beneficios del regularizador de Jacobiano.

Significado y Reivindicaciones
El artículo sostiene que el IFM proporciona un marco robusto para el pronóstico prospectivo de dosis-respuesta donde el objetivo principal no es solo la precisión de la trayectoria, sino la predicción de magnitudes de respuesta plausibles, direcciones de respuesta correctas y clasificaciones de dosis consistentes.

Los autores enfatizan que la precisión exacta de la trayectoria intervencionista es a menudo inalcanzable debido a factores de confusión no observados (estrés, actividad, variabilidad en la absorción). Por lo tanto, la "reivindicación de intervención más defendible" es la capacidad del modelo para predecir la dirección y la magnitud relativa de la respuesta a los tratamientos planificados. El IFM logra esto separando el aprendizaje de la dinámica de la glucosa (mediante el codificador y el modelo de flujo) del control de la semántica de la intervención (mediante la penalización de Jacobiano), asegurando que el modelo respete los principios fisiológicos sin requerir un simulador mecanístico completo. El trabajo sugiere que la regularización de respuesta a nivel local es un complemento viable para el pronóstico de despliegue aprendido cuando se dispone de prioridades direccionales fiables.