Ensemble Feature Selection and Harris Hawks Optimization for Explainable Mental Health Risk Prediction in Female Sex Workers

Sintesi Tecnica: Selezione delle Caratteristiche Ensemble e Ottimizzazione Harris Hawks per la Predizione Spiegabile del Rischio di Salute Mentale nelle Lavoratrici del Sesso

Definizione del Problema
Le lavoratrici del sesso (FSW) affrontano un carico sproporzionato di disturbi della salute mentale, in particolare depressione e disturbo da stress post-traumatico (PTSD), causati dalla violenza strutturale, lo stigma, l'instabilità economica e i rischi occupazionali. Sebbene il machine learning (ML) offra potenzialità per la modellazione di questi esiti complessi, gli approcci esistenti spesso faticano con dataset ad alta dimensionalità, non lineari e sbilanciati. I metodi statistici tradizionali e i classificatori semplicistici spesso non riescono a catturare le intricate interazioni tra l'esposizione alla violenza, le variabili socioeconomiche e gli indicatori di salute. Inoltre, la mancanza di una selezione integrata delle caratteristiche, di un'ottimizzazione sofisticata e di un'IA spiegabile (XAI) limita l'accuratezza, la stabilità e l'interpretabilità clinica degli attuali modelli predittivi, ostacolando l'intervento precoce e l'assistenza psicosociale mirata.

Metodologia
Lo studio propone un framework predittivo ibrido progettato per migliorare sia le prestazioni che l'interpretabilità per la predizione della depressione tra le FSW. La metodologia segue una pipeline strutturata:

1. Raccolta e Preelaborazione dei Dati: Il modello utilizza un dataset trasversale basato sulla comunità composto da 3.005 lavoratrici del sesso adulte provenienti da nove province del Sudafrica. I dati grezzi includevano 20 colonne; dopo la gestione dei valori mancanti (imputazione della media per i dati numerici, rimozione per i dati categorici) e la codifica, il dataset finale consisteva in 2.911 osservazioni e 19 caratteristiche. La variabile target era binaria (depressione: sì/no).
2. Selezione delle Caratteristiche Ensemble Ibrida: Per identificare i predittori più significativi, gli autori hanno impiegato una strategia ensemble combinando l'Analisi della Varianza (ANOVA) e l'Informazione Mutua (MI). Questo approccio ha classificato le caratteristiche per importanza, filtrando le variabili meno significative per creare un set ottimizzato di 11 caratteristiche. I driver chiave identificati includevano gli esiti del PTSD, la posizione geografica, il potenziale di guadagno per cliente e varie forme di abuso (cliente, partner intimo, polizia).
3. Sviluppo e Ottimizzazione del Modello: Diversi classificatori sono stati valutati, tra cui Random Forest (RFC), k-Nearest Neighbors (kNN), Support Vector Classifier (SVC), Light Gradient Boosting Machine (LGBM), Reti Neurali Artificiali (ANN) e Regressione Logistica (LR). Tra questi, la Regressione Logistica è stata selezionata come modello base. I suoi iperparametri sono stati ottimizzati utilizzando l'Ottimizzazione Harris Hawks (HHO), un algoritmo di intelligenza di sciame. La configurazione HHO includeva una dimensione della popolazione di 30, 50 iterazioni massime e un parametro di energia di fuga ($E_0$) di 2, progettato per cercare efficientemente nello spazio dei parametri e gestire lo sbilanciamento delle classi.
4. IA Spiegabile (XAI): Per garantire l'applicabilità clinica, lo studio ha integrato LIME (Local Interpretable Model-agnostic Explanations). LIME è stato utilizzato per generare spiegazioni a livello di istanza, chiarendo come specifiche caratteristiche (ad esempio, la storia del trauma, i fattori occupazionali) abbiano contribuuto alle singole predizioni, colmando così il divario tra i modelli "black box" e la fiducia clinica.

Contributi Chiave

• Architettura Ibrida Novativa: Il documento introduce un framework unificato che combina la selezione delle caratteristiche ensemble (ANOVA + MI) con la Regressione Logistica ottimizzata tramite HHO, applicato specificamente alla predizione della salute mentale in popolazioni marginalizzate.
• Applicazione dell'Intelligenza di Sciame: Questo lavoro rappresenta la prima applicazione dell'ottimizzazione Harris Hawks per calibrare un modello di Regressione Logistica per la predizione della salute mentale nelle FSW, dimostrando prestazioni superiori rispetto ai modelli baseline.
• Interpretabilità Migliorata: Integrando LIME, lo studio fornisce approfondimenti trasparenti a livello di istanza, identificando le variabili traumatiche e occupazionali specifiche che guidano il rischio di depressione, facilitando così interventi basati sull'evidenza.
• Identificazione Robusta delle Caratteristiche: Il metodo di selezione ensemble ha isolato con successo le caratteristiche ad alto impatto, riducendo la dimensionalità pur mantenendo indicatori di rischio critici come la violenza legata ai clienti e la storia di PTSD.

Risultati
Il modello di Regressione Logistica ottimizzato tramite HHO, utilizzando le caratteristiche selezionate dall'ensemble, ha raggiunto prestazioni allo stato dell'arte sul set di test:

• Accuratezza: 95,78%
• F1-Score: 95,77%
• AUC: 0,96
• Precisione: 95,60%
• Recall: 95,95%

Queste metriche hanno superato tutti i modelli baseline (inclusi LR standard, ANN e LGBM) e altre strategie di ottimizzazione (come la Grid Search). Nello specifico, l'approccio basato su HHO ha migliorato la recall del 1,20% e l'F1-score dell'1,22% rispetto alla LR sottoposta a grid search, traducendosi in circa 36 rilevamenti corretti in più della depressione nella coorte.

L'analisi LIME ha confermato la stabilità della logica del modello, mostrando che gli esiti del PTSD e l'abuso da parte dei clienti erano i predittori dominanti nel 94,3% e nell'87,1% dei casi, rispettivamente. Le classifiche di importanza delle caratteristiche fornite da LIME erano fortemente correlate con le classifiche globali ANOVA+MI (Spearman $\rho = 0,91$), validando la coerenza del modello.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro colma il divario tra gli approcci statistici convenzionali e l'apprendimento automatico avanzato per creare uno strumento capace di rilevamento precoce e supporto mirato per i gruppi vulnerabili. L'elevata accuratezza e interpretabilità del modello lo rendono adatto all'integrazione nei sistemi sanitari esistenti (ad esempio, sistemi basati su REDCap) per assistere gli operatori sanitari comunitari (CHW) nella conduzione di screening del rischio e invii ai servizi specialistici.

Lo studio sottolinea che, sebbene il modello dimostri un'alta validità interna attraverso la validazione incrociata, la sua generalizzabilità esterna ad altre regioni geografiche deve ancora essere testata. Gli autori presentano il framework come una soluzione leggera, capace di operare in tempo reale e senza supporto cloud, rendendolo praticabile in contesti a basse risorse. Il lavoro futuro proposto include la validazione con metodi misti, la valutazione della consapevolezza dell'equità (fairness-aware) e l'espansione a coorti in Africa Orientale e Asia Meridionale per affrontare i bias geografici.