Medication-Aware Financial Exploitation Detection for Alzheimer's Patients Using Edge-Aware Interaction Risk Modeling

Sintesi Tecnica: Rilevamento della Sfruttamento Finanziario Consapevole della Terapia Medicamentosa per Pazienti con Alzheimer

Problematica
Lo sfruttamento finanziario rappresenta una minaccia significativa per gli individui affetti da malattia di Alzheimer, in particolare durante i periodi di ridotta stabilità cognitiva. I sistemi convenzionali di rilevamento delle frodi si basano tipicamente solo su modelli comportamentali finanziari, ignorando fattori clinicamente rilevanti che alterano dinamicamente la vulnerabilità del paziente. La ricerca esistente spesso tratta la vulnerabilità come una condizione statica o si concentra su strumenti generali di assistenza e comunicazione, fallendo nell'integrare il contesto clinico dinamico — specificamente l'aderenza alla terapia medicamentosa — nella modellazione del rischio a livello di singola transazione. Di conseguenza, il rilevamento delle anomalie standard potrebbe non interpretare diversamente la stessa transazione in base allo stato clinico attuale del paziente (ad esempio, se ha saltato una dose programmata).

Metodologia
Il documento propone un framework consapevole della terapia che sincronizza i record di aderenza alla terapia con i flussi di transazioni finanziarie per rilevare eventi finanziari a rischio cognitivo. La metodologia è strutturata su tre livelli: un livello di percezione per la cattura degli eventi, un livello di ragionamento per l'allineamento delle caratteristiche e un livello di azione per la valutazione del rischio.

• Costruzione del Dataset: È stato generato un dataset ibrido simulato coinvolgente 180 pazienti sintetici su 45 giorni, producendo 8.100 record di terapia e 30.855 transazioni. L'aderenza alla terapia è stata modellata come un evento giornaliero programmato in cui una dose saltata innesca una "finestra di vulnerabilità" (della durata di 12 ore). Le transazioni sono state generate utilizzando processi di Poisson specifici per ogni paziente, con un aumento della probabilità di attività a impulsi e di sfruttamento durante queste finestre di vulnerabilità.
• Ingegneria delle Caratteristiche (Feature Engineering): Sono state estratte cinque caratteristiche chiave per ogni transazione:
  1. Anomalia dell'Importo ($A_i$): Un punteggio di deviazione positiva robusta basato sulla spesa mediana specifica del paziente.
  2. Novità del Venditore ($V_i$): Indicatore binario che segnala se il venditore è sconosciuto.
  3. Picco di Frequenza ($F_i$): Deviazione nel numero di transazioni entro una finestra di un'ora.
  4. Deviazione Temporale ($T_i$): Punteggio di rischio basato sull'ora del giorno.
  5. Aderenza alla Terapia ($M_i$): Indicatore binario (1 per assunta, 0 per saltata).
• Modellazione Predittiva: Sono state valutate tre formulazioni di regressione logistica:
  1. Baseline Solo Finanziaria: Utilizza le caratteristiche $(A, V, F, T)$.
  2. Consapevole della Terapia Additiva: Aggiunge $M_i$ come caratteristica diretta.
  3. Modello Consapevole delle Interazioni: Mantiene le caratteristiche originali e aggiunge termini di interazione $(A(1-M), V(1-M), F(1-M), T(1-M))$. Questa formulazione testa se la mancata assunzione della terapia altera l'interpretazione delle anomalie finanziarie.
• Valutazione: I modelli sono stati addestrati su un 80% dei pazienti e testati su un 20%. Le prestazioni sono state misurate utilizzando accuratezza, precisione, richiamo (recall), F1-score, ROC-AUC e Average Precision (AP). Fondamentalmente, una valutazione secondaria ha limitato il set di test alle transazioni avvenute all'interno delle finestre di vulnerabilità per valutare le prestazioni in scenari critici per la sicurezza.

Contributi Chiave

1. Innovazione del Framework: Introduzione di un framework di modellazione del rischio consapevole della terapia che tratta l'aderenza come un modificatore contestuale del rischio finanziario piuttosto che come un descrittore statico del paziente.
2. Sintesi dei Dati: Costruzione di un dataset ibrido sincronizzato che collega gli eventi giornalieri della terapia con i flussi di transazioni, modellando esplicitamente l'accoppiamento temporale tra le dosi saltate e l'aumento del rischio di sfruttamento.
3. Confronto tra Modelli: Un'analisi comparativa tra lo scoring pesato interpretabile, le baseline additive e i modelli consapevoli delle interazioni, dimostrando che i termini di interazione catturano meglio l'ipotesi clinica.
4. Valutazione Contestuale: Valutazione delle prestazioni che distingue tra capacità di rilevamento globale e sensibilità specificamente all'interno delle finestre di vulnerabilità indotte dalla terapia.

Risultati

• Prestazioni Globali: La baseline puramente finanziaria ha ottenuto il F1-score globale più elevato (0.5000). Il modello consapevole delle interazioni ha avuto un F1 globale leggermente inferiore (0.4826) ma ha raggiunto l'Average Precision (0.4476) e il richiamo (0.6407) più elevati, indicando una superiore capacità di classificazione dei casi ad alto rischio.
• Prestazioni nella Finestra di Vulnerabilità: Il dato più significativo si è verificato durante le finestre di mancata assunzione della terapia. Il modello consapevole delle interazioni ha migliorato il richiamo dal 0.7442 (solo finanziario) allo 0.9070, con solo una marginale diminuzione del F1-score (0.5865 vs 0.5926). Ciò suggerisce che il modello identifica con successo una maggiore proporzione di eventi di sfruttamento reali quando il paziente è clinicamente vulnerabile.
• Interpretazione delle Caratteristiche: L'analisi dei coefficienti ha rivelato che la novità del venditore è il segnale dominante. Tuttavia, i termini di interazione $V(1-M)$ e $A(1-M)$ erano positivi, confermando che i venditori sconosciuti e gli importi anomali diventano significativamente più sospetti quando la terapia viene saltata. L'aderenza alla terapia stessa agisce come un modificatore contestuale piuttosto che come un predittore indipendente.

Significato e Rivendicazioni
Il documento sostiene che l'aderenza alla terapia è più efficace non come predittore isolato di frode, ma come modificatore contestuale che cambia il modo in cui le anomalie finanziarie dovrebbero essere interpretate. Lo studio dimostra che la sincronizzazione dei segnali clinici e finanziari consente una protezione più consapevole del contesto per gli individui cognitivamente vulnerabili.

Gli autori sottolineano che il framework è progettato per un impiego consapevole dell'edge e sensibile alla privacy, convertendo i dati grezzi in caratteristiche di rischio compatte per evitare l'esposizione di storie cliniche o bancarie sensibili. Argomentano a favore di una strategia di protezione a livelli: un rilevatore puramente finanziario per lo screening generale, integrato da un modello consapevole delle interazioni che aumenta la sensibilità durante specifiche finestre di vulnerabilità. Questo approccio supporta interventi graduati (ad esempio, revisione da parte del caregiver) piuttosto che il blocco automatico, preservando l'autonomia del paziente e minimizzando al contempo il rischio di mancato rilevamento dello sfruttamento durante i periodi critici.

Il documento dichiara esplicitamente che questi risultati si basano su una validazione basata su simulazione e non rivendicano un'immediata prontezza per l'impiego clinico o bancario reale. Il contributo primario è la prova di concetto che la modellazione consapevole delle interazioni migliora il rilevamento sensibile alla vulnerabilità rispetto alle baseline puramente finanziarie o additive.