Auditable cross-instrument detection of unusual multivariate psychiatric response configurations using a semantically aligned covariance subspace

Resumen Técnico: Detección Auditable de Configuraciones de Respuesta Psiquiátrica Multivariante Inusuales entre Instrumentos Cruzados

Planteamiento del Problema
El cribado psiquiátrico convencional se basa en el análisis de instrumentos de forma individual, resumiendo los síntomas mediante puntuaciones totales aditivas dentro de escalas específicas (p. ej., depresión, ansiedad, estrés). Este enfoque trata los ítems como independientes dentro de los instrumentos e ignora la estructura de covarianza entre diferentes instrumentos. En consecuencia, no logra detectar a los encuestados cuyos perfiles de síntomas se distribuyen en múltiples dominios en combinaciones inusuales que permanecen por debajo del umbral diagnóstico en cada escala individual. Si bien los modelos dimensionales y transdiagnósticos sugieren que la heterogeneidad de los síntomas y las estructuras transdiagnósticas son clínicamente significativas, la práctica rutinaria carece de un marco para analizar estos espacios de respuesta conjuntos, particularmente cuando los instrumentos difieren en redacción, formatos de respuesta y límites de constructos.

Metodología
Los autores proponen un flujo de trabajo para detectar casos "pan-leves" (pan-mild): encuestados con respuestas de intensidad baja a moderada distribuidas en múltiples dominios que eluden la lógica de valores extremos de un solo instrumento. La metodología consta de los siguientes pasos:

1. Alineación Semántica: Los enunciados de los ítems de instrumentos heterogéneos (depresión, estrés, ansiedad, sueño) se integran en un espacio semántico compartido utilizando un codificador de frases preentrenado (específicamente bge-m3, con verificaciones de sensibilidad con all-mpnet-base-v2 y bge-large-en-v1.5). Esto crea un vector de 1024 dimensiones para cada ítem, estableciendo un marco de coordenadas común basado en la proximidad semántica en lugar de un mapeo manual.
2. Reducción de Dimensionalidad (PCA): Se realiza un Análisis de Componentes Principales (PCA) únicamente sobre la matriz de incrustaciones (embeddings) de los enunciados de los ítems, sin utilizar datos de los encuestados. La dimensionalidad del subespacio ($D$) se selecciona como el número mínimo de componentes necesarios para explicar el 80% de la varianza en las incrustaciones semánticas. Esto genera una matriz de pesos ($W_D$) que representa la estructura semántica del espacio de las preguntas.
   • Para la cohorte de adultos mayores del Health and Retirement Study (HRS) (27 ítems), $D=10$.
   • Para la cohorte de adultos jóvenes de Xinxiang (37 ítems), $D=16$.
3. Proyección del Encuestado: Los vectores de respuesta de los participantes ($X$), normalizados, se proyectan en el subespacio semántico predefinido mediante multiplicación lineal ($Z = XW_D$). Las variables demográficas (edad, sexo) se residualizan de estas coordenadas.
4. Cuantificación de la Desviación Multivariante: Se calcula la distancia de Mahalanobis para cada encuestado en relación con la media de la cohorte en el subespacio retenido. Para manejar la inestabilidad en dimensiones moderadas a altas, la matriz de covarianza se regulariza mediante el estimador de contracción de Ledoit-Wolf.
5. Definición de Outliers y Auditoría:
   • Los candidatos a outliers (valores atípicos) se definen por el percentil 95 empírico de la distribución de la distancia de Mahalanobis de la cohorte (evitando supuestos de $\chi^2$ asintóticos para datos discretos acotados).
   • Capa de Auditoría Crucial: Para aislar los casos invisibles al cribado convencional, el análisis excluye a cualquier encuestado que haya marcado cualquier ítem individual con el valor máximo de su escala Likert en cualquier instrumento. Esto asegura que los outliers retenidos sean "sub-techo" en todos los dominios.
6. Interpretabilidad: Las puntuaciones de los componentes anómalos se rastrean hacia atrás a sus cargas de ítems originales para interpretar las configuraciones de respuesta específicas que impulsan el estatus de outlier.

Resultados Clave
El estudio analizó dos cohortes distintas: la HRS ($N=4,413$, adultos mayores) y la muestra de Xinxiang ($N=24,292$, adultos jóvenes).

• Estabilidad: El análisis de estabilidad basado en Jaccard confirmó que las dimensionalidades seleccionadas ($D=10$ y $D=16$) proporcionaron representaciones estables de la estructura semántica cruzada de los instrumentos.
• Detección de Casos Pan-Leves: Tras la estricta auditoría de techo, exactamente siete encuestados permanecieron como outliers multivariantes en cada cohorte (0.159% en HRS; 0.029% en Xinxiang). Estos casos no fueron detectados por ningún puntaje aditivo de un solo instrumento.
• Contrastes Geométricos:
  • HRS (Adultos Mayores): Los outliers se caracterizaron por un respaldo débil de ítems etiquetados con estados de ánimo (tristeza, soledad) que coocurría con respuestas no nulas en ítems relacionados con el cuerpo (temblores, debilidad) y el sueño.
  • Xinxiang (Adultos Jóvenes): Los outliers exhibieron coocurrencias selectivas inusuales, como la aparición de ítems relacionados con autolesiones sin el patrón más amplio de inquietud o dificultades de concentración que suelen acompañarlos, o configuraciones incompletas que abarcan estado de ánimo, sueño y estrés.
• Comparación con Métodos No Lineales: Al compararse con la Aproximación y Proyección de Manifold Uniforme (UMAP) aplicada a los datos brutos, el flujo de trabajo de PCA semántico identificó un conjunto distinto de outliers. UMAP tendió a señalar cúmulos extremos en los límites, mientras que el enfoque de covarianza semántica identificó anomalías estructurales "intersticiales" distribuidas dentro del manifold.
• Robustez del Codificador: El solapamiento de Jaccard por pares de los conjuntos de outliers a través de diferentes modelos de incrustación fue significativamente mayor que el azar (nulo hipergeométrico), lo que indica la detección de una señal estructural consistente a pesar de las variaciones en el codificador semántico específico.

Significancia y Reivindicaciones
El artículo afirma proporcionar una herramienta práctica y auditable para señalar configuraciones de respuesta multivariante inusuales que el cribado de un solo instrumento pasa por alto. Sus principales contribuciones son:

1. Innovación Metodológica: Introduce un subespacio de covarianza alineado semánticamente que permite el análisis conjunto de instrumentos psiquiátricos heterogéneos sin necesidad de un emparejamiento manual de ítems.
2. Perspectiva Geométrica: Demuestra que existe un conjunto pequeño y coherente de encuestados cuyas configuraciones de respuesta son "invisibles" para el cribado escalar pero geométricamente distintas en un espacio semántico compartido.
3. Interpretabilidad: El método es totalmente interpretable al nivel de las contribuciones de los ítems originales, evitando la naturaleza de "caja negra" de muchos enfoques de aprendizaje profundo.

Limitaciones y Alcance
Los autores declaran explícitamente que esta herramienta no es un instrumento de diagnóstico y no establece validez de resultados.

• Es una herramienta de generación de hipótesis destinada a señalar casos para una evaluación clínica posterior.
• El análisis es transversal; se requiere validación prospectiva respecto a si estas configuraciones predicen la aparición de trastornos, el declive funcional o la búsqueda de ayuda.
• La herramienta detecta atipicidad estadística, lo que puede reflejar configuraciones clínicamente significativas, estilos de reporte idiosincrásicos o estructuras de medición específicas de la cohorte.
• El enfoque prioriza la auditabilidad y la interpretabilidad lineal sobre el potencial expresivo de los manifolds no lineales, reconociendo que los perfiles psicológicos pueden habitar espacios más complejos.

En resumen, el artículo argumenta que, si bien el cribado aditivo es útil, es incompleto. Al cambiar la pregunta de "¿Es la persona severa en una escala?" a "¿Es la configuración total de la persona inusualmente estructurada en relación con su cohorte?", este método saca a la luz una clase residual de casos que requieren atención clínica pero que actualmente son pasados por alto.