Do-Calculus Interventions in Predictive Coding Networks: Formal Correspondence, Empirical Validation, and Architectural Prescriptions for Clinical Causal AI

Resumen Técnico: Intervenciones de Cálculo-do en Redes de Codificación Predictiva

Planteamiento del Problema
Los sistemas de soporte a la decisión clínica requieren cada vez más una IA capaz de razonar sobre las consecuencias de las acciones (intervenciones) en lugar de simplemente predecir resultados a partir de patrones observacionales históricos. Los modelos predictivos estándar entrenados con Registros Electrónicos de Salud (EHR) suelen fallar bajo despliegue prospectivo cuando las políticas de tratamiento difieren de los datos de entrenamiento, creando un cambio de distribución entre la distribución observacional condicional $P(Y|X)$ y la distribución intervencional $P(Y|do(T=t))$. Si bien el cálculo-do de Pearl proporciona un marco formal para este tipo de razonamiento, la mayoría de los métodos de aprendizaje automático causal tratan el razonamiento intervencional como un problema de estimación post-hoc superpuesto a arquitecturas que carecen de mecanismos internos para representar intervenciones. No se ha probado si arquitecturas neuronales específicas, como las redes de Codificación Predictiva (PC), pueden soportar de forma nativa el razonismo intervencional a través de sus dinámicas internas.

Metodología
El artículo propone y valida una correspondencia formal entre la dinámica de las redes de Codificación Predictiva y el cálculo-do de Pearl.

1. Marco Teórico: Los autores derivan la Proposición 1, que postula que en un Modelo Causal Estructural (SCM) lineal-gaussiano, el "clamping fuerte" (fijación rígida) de un nodo de PC (fijar su estado a un valor $c$) combinado con la supresión del error de predicción ascendente (bottom-up) es informacionalmente equivalente al operador $do(T=c)$. Esta supresión corta la vía de información desde el nodo fijado hacia sus ancestros, imitando la cirugía de grafo del operador do.
2. Arquitecturas:
   • PCNetworkV2: Implementa la Proposición 1 utilizando una representación latente compartida $z$ que decodifica covariables y resultados. La predicción intervencional implica fijar la característica del tratamiento y poner en cero la columna de error de reconstrucción correspondiente antes de calcular los gradientes latentes.
   • PCNetworkV3: Una modificación donde el decodificador del resultado recibe acceso directo a la variable de tratamiento junto con la representación latente, diseñada para manejar grafos clínicos donde el tratamiento tiene una arista directa hacia el resultado.
   • Baseline (Línea base): Un Perceptrón Multicapa (MLP) estándar entrenado con pérdida MSE sirve como base asociacional.
3. Benchmarks (Pruebas de rendimiento):
   • SCM de juguete: Un SCM lineal-gaussiano de tres nodos (Diagnóstico $\to$ Síntoma $\to$ Tratamiento) para validar la correspondencia matemática exacta.
   • IHDP (Programa de Salud y Desarrollo Infantil): Un benchmark semi-sintético ($n=747$) con estructura de covariables real y resultados contrafácticos reconstruidos para medir la "brecha intervencional" (diferencia entre el MAE observacional e intervencional).
   • SCMs Sintéticos: Utilizados para estudios de ablación a través de diversas topologías (Cadena, Mediador, Colisionador) y fuerzas de confusión.
   • MIMIC-IV: Un benchmark semi-sintético de muestra pequeña ($n=140$) con estructura de covariables de UCI real para probar la recuperación del Efecto de Tratamiento Promedio (ATE).

Contribuciones Clave
El artículo realiza tres contribuciones principales:

1. Teórica: Derivación y validación de la Proposición 1, estableciendo que el clamping de PC con supresión de error implementa exactamente el operador do en SCMs lineales-gaussianos.
2. Empírica: Demostración de que PCNetworkV2 logra una reducción estadísticamente significativa en la brecha de rendimiento intervencional en comparación con el baseline MLP en el conjunto de datos IHDP (reducción de la brecha = 0.237 unidades de MAE, $p < 0.0001$). Esta ventaja se generaliza a través de las topologías de Cadena, Mediador y Colisionador.
3. Prescriptiva: Identificación de la dimensión latente como el determinante arquitectónico principal de la ventaja intervencional. Los estudios de ablación muestran que las dimensiones latentes más pequeñas preservan el sesgo inductivo causal al evitar que el modelo memorice asociaciones observacionales espurias. Además, se demuestra que PCNetworkV3 recupera el ATE real con un error del 8.3% en los datos de MIMIC-IV al enrutar explícitamente el tratamiento al decodificador del resultado.

Resultados

• Validación de la Proposición 1: En el SCM de juguete, el clamping de $S=1$ con supresión de error reprodujo correctamente la distribución previa $P(D|do(S=1)) = N(0,1)$, mientras que el condicionamiento estándar produjo una posterior incorrecta ($E[D|S=1] \approx 0.640$).
• Brecha Intervencional: El baseline MLP exhibió una gran brecha intervencional (3.215 unidades de MAE) en IHDP. PCNetworkV2 redujo esta brecha en 0.237 unidades. Aunque PCNetworkV2 tuvo un MAE observacional mayor que el MLP (0.461 vs. 0.106), su estructura causal arquitectónica proporcionó un beneficio medible en entornos intervencionales.
• Hallazgos de Ablación:
  • Dimensión Latente: La ventaja intervencional es no monótona con el tamaño latente; dimensiones más pequeñas ($d_z=4$) superaron a las más grandes ($d_z=32$) porque forzaron al modelo a codificar una representación causal comprimida en lugar de correlaciones espurias.
  • Topología: La ventaja fue más pronunciada en estructuras de Colisionador, donde el mecanismo de clamping causal opera con una interferencia mínima de las vías confundidas.
  • Fracción de Entrenamiento: Una pequeña fracción de datos de entrenamiento intervencional (5-10%) mejoró el rendimiento, pero fracciones mayores (25%) interrumpieron la optimización latente.
• Aplicación Clínica (MIMIC-IV): PCNetworkV3 recuperó el ATE real (1.0) con un error del 8.3%, mientras que PCNetworkV2 falló (100% de error) debido a la degeneración intervencional sin la ruta explícita de tratamiento-a-resultado. El MLP logró una estimación de ATE casi perfecta (1.5% de error) mediante extrapolación asociacional, resaltando que la estimación del ATE y el MAE intervencional son métricas distintas.

Significancia y Reivindicaciones
El artículo sostiene que el mecanismo biológico de la codificación predictiva —específicamente la separación de las predicciones descendentes (top-down) y las actualizaciones de error ascendentes (bottom-up)— proporciona un sustrato natural para el razonamiento causal. El hallazgo clave es que la estructura causal arquitectónica (clamping + supresión de error) confiere una ventaja intervencional genuina y medible sobre los modelos asociacionales estándar, incluso sin datos de entrenamiento intervencional explícitos.

Los autores concluyen modestamente que, si bien las redes de codificación predictiva no están establecidas definitivamente como la única o la mejor arquitectura para la IA causal clínica, el mecanismo biológico sobre el cual están construidas tiene un "uso no planificado" como motor de razonamiento causal. El trabajo sugiere que, para la generalización intervencional, la capacidad latente debe tratarse como un "hiperparámetro causal" (que suele favorecer dimensiones más pequeñas) en lugar de un control de capacidad a maximizar. Los hallazgos están actualmente limitados a SCMs lineales-gaussianos teóricamente y a conjuntos de datos clínicos tabulares de tamaño modesto empíricamente, siendo necesario trabajo futuro para validar estas afirmaciones en entornos no lineales, con alta confusión y de mayor escala.