Precision-weighted updating shows cross-task consistency as a bounded computational marker when precision gain is sufficiently large

Resumen Técnico: La actualización ponderada por precisión muestra consistencia entre tareas como un marcador computacional acotado cuando la ganancia de precisión es suficientemente grande

Planteamiento del Problema
La psiquiatría computacional busca reemplazar las etiquetas sindrómicas con parámetros generativos (p. ej., tasas de aprendizaje, pesos de precisión) que sirvan como marcadores transdiagnósticos o endofenotipos. Sin embargo, existe una tensión crítica: los parámetros estimados dentro de una única tarea experimental suelen tratarse como rasgos portátiles, pero pueden ser simplemente "pesos de regresión ligados a la tarea" en lugar de cantidades biológicas estables. El artículo aborda si un coeficiente de ponderación de precisión ($\gamma$) específico dentro del modelo CPSP-8 (un marco de disociación de amenaza de tres capas) se generaliza a través de distintas tareas de toma de riesgos (Tarea de Riesgo de Globo Analógico [BART] y Tarea de Cartas de Columbia [CCTHot]) y una sonda conductual, o si es meramente un artefacto del grafo específico de la tarea. El estudio investiga específicamente la identificabilidad y la consistencia entre tareas de $\gamma$ en comparación con otros parámetros de decisión (amenaza, línea base, tasa de aprendizaje inicial $\alpha_0$, temperatura inversa $\beta$, ganancia de valor $v_{gain}$) y la capa teórica de Ornstein-Uhlenen (OU) de la amenaza.

Metodología
El estudio utilizó un análisis secundario de datos desidentificados de tres conjuntos de datos de OpenNeuro:

1. D1 (BART): $N=173$ (124 controles, 49 esquizofrenia) de ds000030.
2. D5 (CCTHot): $N=104$ de ds004636.
3. D2 (HierPrior): $N=43$ de ds008083, que proporciona una sonda conductual para $\gamma$.

Arquitectura del Modelo:
El autor empleó CPSP-8, un modelo que comprende:

• Capa 1 (Teórica): Un proceso de Ornstein-Uhlenen (OU) de tiempo continuo para el estado de amenaza latente ($z_t$) y una deriva de disociación. Estos parámetros ($\theta, \sigma_{ou}, \kappa, \lambda, onset$) fueron congelados en las medias del grupo derivadas de simulaciones previas de recuperación (donde la recuperación de $\theta$ era $r < 0.3$) para evitar narrar dinámicas no identificables como rasgos específicos del paciente.
• Capa 2 (Decisión): Una regla delta con compuerta de precisión. La tasa de aprendizaje $\alpha_t$ es modulada por un coeficiente de ponderación de precisión $\gamma$ basado en el cuadrado de los errores de predicción ($PE_t^2$) relativo a la incertidumbre de Bernoulli.
• Capa 3: Modelado de RT (tiempo de reacción) mediante una aproximación log-normal de un proceso de Wald.

Procedimiento Analítico:
El núcleo del análisis utilizó Validación Cruzada de Transferencia Jerárquica (HTCV), preregistrada antes de observar los resultados. A diferencia de la validación cruzada estándar de dejar uno fuera por sujeto, la HTCV prueba la intercambiabilidad de las medias posteriores del grupo a través de las tareas.

• Criterio de Consistencia: Un parámetro se considera consistente entre tareas si el Intervalo de Densidad Más Alta (HDI) del 95% de la diferencia entre las medias de las tareas ($\Delta = \mu_{TareaA} - \mu_{TareaB}$) contiene el cero.
• Hipótesis:
  • H1: Todos los parámetros de decisión no-$\gamma$ son consistentes entre BART y CCT.
  • H2: $\gamma$ es consistente entre BART, CCT y la sonda HierPrior.
  • H3: La capa OU es no testeable bajo el congelamiento.
  • H4: CPSP-8 no es peor que los modelos dedicados (Random Walk, Regresión Logística, DDM, HGF-2 simplificado) en cuanto a elección y RT.
• Diagnósticos Post-Revisión: Incluyeron comprobaciones de ROPE (Región de Equivalencia Práctica), una rejilla de sensibilidad MAP+SE conjugada (36 variaciones de priors y pooling), comparación de modelos WAIC/LOO-IC y ponderación de propensión demográfica mediante puntaje de probabilidad inversa (IPW).
• Comprobaciones de Identificabilidad: Simulaciones de sujetos virtuales (D1d, D1e) probaron la recuperación de parámetros ($r$) y la separabilidad de la familia (Factores de Bayes) entre el modelo con compuerta de precisión y el límite de Random Walk (RW, $\gamma=0$).

Resultados Clave

1. H1 Falló (Especificidad de la Tarea): Todos los parámetros de decisión no-$\gamma$ ($\text{amenaza}, \text{línea base}, \alpha_0, \beta, v_{gain}$) mostraron diferencias significativas entre BART y CCT (los HDIs del 95% excluyeron el cero). Por ejemplo, $\beta$ (temperatura inversa) fue 1.769 en BART frente a 0.001 en CCT. El autor interpreta esto no como un fallo de ajuste, sino como evidencia de que estos parámetros actúan como "interruptores de modo" que se adaptan a estructuras de tareas específicas (p. ej., peligro oculto frente a probabilidades explícitas).
2. H2 Apoyada Condicionalmente (Consistencia Sensible al Pipeline): Bajo la regla NUTS del HDI, el coeficiente de ponderación de precisión $\gamma$ fue el único parámetro donde el HDI del 95% de la diferencia entre BART y CCT contenía el cero ($\Delta = 0.3835$, HDI $[-0.0084, 0.7826]$). Esta consistencia se mantuvo en los tres contrastes (BART-CCT, BART-EEG, CCT-EEG) bajo esta regla específica.
   • Limitaciones Críticas: El artículo establece explícitamente que este resultado no es robusto a través de los pipelines. La consistencia falla en una rejilla conjugada MAP+SE (0/36 celdas contenían el cero), no es equivalencia ROPE (el HDI se solapa pero no está contenido dentro de ROPE), y WAIC/LOO favoreció modelos de $\gamma$ específicos de la tarea sobre un modelo de $\gamma$ compartido ($\Delta$WAIC = 146.6). En consecuencia, $\gamma$ se describe como un "escalar de transferencia acotado y sensible al pipeline" en lugar de un marcador estable.
3. H3 Confirmada (OU No Identificable): Los parámetros de la capa OU permanecieron congelados porque las simulaciones de recuperación de sujetos virtuales mostraron correlaciones de Pearson $r < 0.3$ para $\theta$, lo que los hace no identificables en estas tareas.
4. H4 Falló (Desempeño Predictivo): CPSP-8 no superó a los modelos dedicados. El Random Walk (RW) y la Regresión Logística superaron a CPSP-8 en el RMSE de elección; el DDM superó a CPSP-8 en el RMSE de RT.
5. Identificabilidad y Separabilidad:
   • $\gamma$ era recuperable a nivel individual con 960 ensayos (mediana $r \approx 0.66$).
   • Separabilidad de la Familia: El modelo podía distinguir el mecanismo de compuerta de precisión de un Random Walk ($\gamma=0$) solo cuando el verdadero $\gamma$ era suficientemente grande. La separabilidad se logró con $\gamma \ge 1.0$ con $\ge 960$ ensayos (o $\gamma \ge 1.5$ con 480 ensayos); para $\gamma \le 0.5$ o $\gamma=0$, el modelo era inseparable de la familia RW (Factores de Bayes cercanos a 1).

Significado y Reivindicaciones
El artículo reivindica una contribución modesta y acotada a la psiquiatría computacional:

• $\gamma$ es un Escalar Acotado, No un Biomarcador: El coeficiente de ponderación de precisión $\gamma$ demuestra consistencia entre tareas solo bajo condiciones específicas (ganancia suficientemente grande, suficientes conteos de ensayos y un pipeline de ajuste NUTS específico). Falla en las pruebas de robustez (rejilla conjugada, WAIC) y no es un biomarcador diagnóstico para la esquizofrenia (ya que $\gamma$ no difirió por diagnóstico en la muestra de BART; $\beta$ sí lo hizo, pero $\beta$ falló en la consistencia entre tareas).
• Mecanismo vs. Arquitectura: El fallo de H1 indica que muchos parámetros de decisión dependen del contexto. El éxito condicional de H2 sugiere que la ponderación de precisión es un candidato para un endofenotipo computacional solo cuando la "ganancia de precisión" es lo suficientemente grande para ser distinguible de una simple tasa de aprendizaje y el pipeline de ajuste es fijo.
• Restricciones de Honestidad: El autor enfatiza que congelar la capa OU y reconocer la incapacidad de separar $\gamma$ de RW en valores bajos son "restricciones de honestidad". Argumenta contra la narración de dinámicas no identificadas como rasgos específicos del paciente.
• Rigor Metodológico: El estudio refuerza la necesidad de la validación de transferencia jerárquica y las comprobaciones de recuperación de parámetros, mostrando que un parámetro puede parecer consistente entre tareas bajo una regla de HDI bayesiano mientras falla en otras comprobaciones de robustez (ROPE, rejilla conjugada, WAIC), resaltando la sensibilidad al pipeline de los fenotipos computacionales.

En conclusión, el artículo afirma que, si bien la actualización ponderada por precisión ($\gamma$) muestra promesa como un marcador computacional entre tareas, su utilidad está estrictamente acotada por la magnitud de la ganancia, el conteo de ensayos y el pipeline de ajuste. No debe interpretarse como una herramienta diagnóstica clínica definitiva o un endofenotipo heredable sin una validación adicional que involucre anclajes neurales y diseños familiares.