An Explainable Hybrid of Classical and Quantum Support Vector Machine Models for Maternal Mental Health Risk Prediction Using Multicountry Data

Resumen Técnico: Un Modelo Híbrido Explicable de Máquinas de Vectores de Soporte Clásicas y Cuánticas para la Predicción del Riesgo de Salud Mental Materna

Planteamiento del Problema
Los trastornos de la salud mental materna, particularmente durante el embarazo y el periodo posparto, representan un desafío crítico de salud pública global, con tasas de prevalencia significativamente más altas en países de ingresos bajos y medios (LMIC). A pesar de la disponibilidad de intervenciones efectivas, la falta de diagnóstico y la intervención tardía persisten debido a recursos limitados, infraestructura de detección inadecuada y escasez de personal especializado. Si bien los modelos de aprendizaje automático (ML) clásicos han mostrado resultados prometedores en la predicción de estos riesgos utilizando datos psicosociales y clínicos, a menudo tienen dificultades para capturar las interacciones no lineales altamente complejas presentes en conjuntos de datos heterogéneos y multicontinentales. Además, los enfoques existentes rara vez integran el aprendizaje potenciado por computación cuántica o la inteligencia artificial explicable (XAI), lo que limita su interpretabilidad y confiabilidad clínica. Adicionalmente, los modelos de aprendizaje automático cuántico independientes enfrentan restricciones de rendimiento debido a las limitaciones del hardware actual de escala intermedia con ruido (NISQ).

Metodología
El estudio propone un modelo de Máquina de Vectores de Soporte (SVM) Híbrida Clásica-Cuántica Explicable, diseñado para aprovechar el poder discriminativo de los algoritmos clásicos y las capacidades de representación de características no lineales de la computación cuántica.

• Conjunto de Datos: La investigación utilizó un conjunto de datos multicontinental que comprende 14,008 registros maternos. Este conjunto de datos integrado incluyó datos primarios de hospitales ugandeses (Hospital Nacional de Referencia de Kawempe y Hospital de Mukono) y datos secundarios de un conjunto de datos de depresión perinatal disponible públicamente de Pakistán. Los datos abarcaron 51 variables que incluyen demografía, antecedentes obstétricos, factores socioeconómicos e indicadores psicosociales (por ejemplo, estrés, desesperanza, ideación suicida).
• Preprocesamiento: El flujo de trabajo involucró la limpieza de datos, el manejo de valores faltantes y la codificación de variables categóricas. Para abordar el desequilibrio de clases, se aplicó la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) al conjunto de entrenamiento. Se empleó el Análisis de Componentes Principales con Kernel (KPCC) para la reducción de la dimensionalidad y para preservar las relaciones no lineales antes de la incrustación de características cuánticas.
• Arquitectura del Modelo:
  • SVM Clásica: Utilizó un kernel de Función de Base Radial (RBF) para construir un hiperplano de separación óptimo.
  • SVM Cuántica (QSVM): Implementada utilizando la biblioteca PennyLane, este componente mapeó las características de entrada clásicas en un espacio de Hilbert cuántico de alta dimensión mediante circuitos cuánticos parametrizados. Se calculó una función de kernel cuántico ($K_Q$) para medir la similitud entre muestras en el espacio de características cuánticas.
  • Integración Híbrida: La predicción final se generó mediante un enfoque de ensamble ponderado, combinando las salidas de probabilidad de la SVM Clásica ($P_C$) y la SVM Cuántica ($P_Q$) utilizando un coeficiente de ponderación ($\alpha$).
  • Explicabilidad: Se aplicaron las Explicaciones de Valores de Shapley (SHAP) al modelo híbrido para cuantificar la contribución de las características individuales a la predicción de riesgo, asegurando la interpretabilidad clínica.
• Configuración Experimental: Los experimentos se realizaron en un entorno de Google Colaboratory con aceleración de GPU. El conjunto de datos se dividió en una proporción 80:20 para entrenamiento y prueba. El modelo propuesto se comparó con SVM Clásica, Random Forest, XGBoost, LightGBM, CatBoost, Ensamble de Apilamiento (Stacking Ensemble) y una QSVM independiente.

Resultados Clave
La SVM Híbrida Clásica-Cuántica propuesta demostró un rendimiento altamente competitivo, logrando:

• Exactitud (Accuracy): 99.86%
• Puntuación F1 (F1-Score): 99.80%
• ROC-AUC: 99.92%
• PR-AUC: 99.91%

En el análisis comparativo, el modelo híbrido superó a la QSVM independiente, la cual alcanzó una exactitud del 77.82% y un ROC-AUC de 88.76%, resaltando las limitaciones de los modelos puramente cuánticos bajo las restricciones actuales de NISQ. Sin embargo, el enfoque híbrido logró un rendimiento comparable a los mejores modelos clásicos (SVM Clásica y Ensamble de Apilamiento, ambos con 99.93% de exactitud).

Hallazgos del Análisis SHAP:
El análisis de explicabilidad identificó los predictores clave que contribuyen al riesgo de salud mental materna, incluyendo:

• Ideación suicida
• Niveles de estrés
• Dificultades de concentración
• Fatiga
• Falta de apetito
• Sentimientos de desesperanza

El análisis del mapa de calor del kernel cuántico confirmó que la incrustación de características cuánticas logró capturar patrones no lineales e interacciones ocultas de las características dentro del conjunto de datos, a pesar de que la exactitud de clasificación general del modelo independiente fue menor.

Significancia y Reivindicaciones
El artículo sostiene que la principal contribución de este estudio es el desarrollo de una arquitectura híbrida explicable que combina eficazmente el aprendizaje discriminativo clásico con la representación de características potenciada por computación cuántica. Los autores afirman que este enfoque:

1. Mejora la Robustez: Al integrar kernels cuánticos con optimización clásica, el modelo mejora la estabilidad predictiva y la separabilidad no lineal en datos de salud complejos y heterogéneos.
2. Cierra la Brecha: Aborda la inestabilidad de rendimiento de los modelos cuánticos independientes en hardware NISQ, aprovechando las fortalezas de los algoritmos clásicos.
3. Garantiza la Interpretabilidad: La integración del análisis SHAP proporciona la transparencia necesaria para la toma de decisiones clínicas, identificando factores de riesgo psicosociales y conductuales específicos.
4. Demuestra Aplicabilidad: El estudio constituye una de las pocas evaluaciones exhaustivas de modelos híbridos clásicos-cuánticos en el contexto de la salud mental materna, sugiriendo su viabilidad práctica para la predicción de riesgos en entornos diversos y multicontinentales.

Los autores mantienen la modestia respecto al estado actual del hardware cuántico, reconociendo que el componente cuántico fue simulado en un entorno NISQ, y que el trabajo futuro requiere validación con conjuntos de datos más grandes y diversos, así como en hardware cuántico real.