Inverse Reinforcement Learning for Interpretable Keystroke Biomarkers in Parkinson's Disease

Sintesi Tecnica: Apprendimento per Rinforzo Inverso per Biomarcatori di Digitazione Interpretabili nella Malattia di Parkinson

Definizione del Problema
La malattia di Parkinson (MP) viene tipicamente diagnosticata dopo che si è verificata una perdita significativa di motoneuroni, creando la necessità di biomarcatori digitali passivi per supportare la rilevazione precoce e il monitoraggio longitudinale. Sebbene la dinamica della digitazione (tempistica di pressione e rilascio dei tasti) sia stata esplorata come potenziale biomarcatore, la letteratura esistente si basa quasi esclusivamente sulla classificazione supervisionata. Tali approcci estraggono statistiche riassuntive fisse (medie, varianze, momenti superiori) dai segnali di digitazione per discriminare i pazienti con MP dai controlli sani. Sebbene efficaci nel rispondere al se l'utente stia digitando in modo simile a un paziente con MP, essi non riescono a spiegare il perché o quali specifici cambiamenti comportamentali siano avvenuti. Inoltre, le accuratezze riportate in questo campo variano ampiamente, con una meta-analisi del 2022 che mostra un'elevata eterogeneità ($I^2 = 94\%$), suggerendo un potenziale overfitting o incoerenze metodologiche negli studi precedenti.

Metodologia
Questo articolo propone un passaggio dalla classificazione supervisionata all'Apprendimento per Rinforzo Inverso (IRL) per modellare la dinamica della digitazione. Invece di addestrare un classificatore, gli autori trattano ogni transizione di tasto come una scelta discreta sulla velocità di digitazione e inferiscono la funzione di ricompensa latente che meglio spiega le osservate decisioni sequenziali dell'agente.

• Fonte dei Dati: Lo studio utilizza il dataset pubblico neuroQWERTY MIT-CSXPD (85 soggetti: 42 con MP, 43 controlli), raccolto in ambito clinico durante la digitazione di testo libero. Gli autori hanno esplicitamente rifiutato il dataset Tappy in un'analisi preliminare, dove le caratteristiche statistiche standard non mostravano differenze significative tra i gruppi (AUC $\approx$ 0,377), in linea con la letteratura che segnala la difficoltà di Tappy dovuta ai protocolli di raccolta non controllati a domicilio.
• Ingegneria delle Caratteristiche: Il modello discretizza i tempi di volo in $K=5$ bin basati su quintili raggruppati. La funzione di ricompensa $R(s, a)$ è definita come una somma pesata di funzioni di caratteristica $\phi(s, a)$:
  1. Velocità: $\phi_{speed}(a) = -v_a$ (preferenza per una digitazione più veloce).
  2. Costanza: $\phi_{consistency}(t, a) = -|v_a - c_t|$, dove $c_t$ è un contesto di media mobile.
  3. Alternanza Mano: $\phi_{hand}(t, a) = -\mathbb{I}[\text{cross-hand}] \cdot v_a$.
• Ottimizzazione: I pesi specifici per soggetto $w$ vengono recuperati tramite Maximum-Entropy IRL, massimizzando la log-verosimiglianza delle scelte nei bin osservati rispetto alle alternative non scelte utilizzando L-BFGS-B.
• Correzione dell'Identificabilità: Un modello iniziale a quattro parametri (che separava "sforzo" e "fluidità") è fallito a causa della perfetta collinearità delle caratteristiche ($r=1,000$) tra i due termini in contesti tipici. Gli autori hanno corretto questo problema fondendo i due termini in un unico termine di "costanza", ottenendo un modello a tre parametri stabile.
• Rigore di Validazione: La pipeline è stata sottoposta a una revisione del codice avversaria, che ha identificato e risolto due bug di implementazione: (1) il mancato reset delle finestre mobili ai confini delle sessioni per i soggetti con sessioni multiple, e (2) la fuga di dati (data leakage) in cui la media mobile includeva l'osservazione corrente. Entrambe le correzioni hanno prodotto cambiamenti trascurabili nel coefficiente di correlazione primario.

Risultati Chiave
Il risultato principale è che il peso della preferenza di velocità ($w_{speed}$) recuperato correla robustamente con la gravità clinica della MP (punteggio UPDRS-III):

• Correlazione: $r = -0,607$ ($p < 0,001$, $n=42$). Un peso più negativo (che indica una maggiore ricompensa implicita per la digitazione veloce, a parità di altre condizioni) è associato a una maggiore compromissione motoria.
• Valore Incrementale: Mentre la velocità di digitazione grezza da sola spiega il 19,4% della varianza di UPDRS ($R^2 = 0,194$), l'aggiunta della preferenza di velocità recuperata tramite IRL aumenta questa percentuale al 33,8% ($R^2 = 0,338$, $p = 0,006$).
• Robustezza: Il risultato è confermato attraverso:
  • Due coorti indipendenti (CS1 e CS2).
  • Molteplici configurazioni di sensibilità (variando il numero di bin e le dimensioni delle finestre).
  • Intervalli di confidenza bootstrap (95% CI: $[-0,767, -0,369]$).
  • Test di permutazione ($p < 0,0001$).
• Risultati Negativi: I pesi recuperati per "costanza" e "alternanza mano" non sono sopravvissuti ai controlli di confondimento (specificamente controllando la velocità di digitazione grezza) e sono riportati come non significativi.

Significatività e Rivendicazioni
Gli autori posizionano questo lavoro come il primo caso di applicazione dell'IRL alla dinamica della digitazione. La significatività dell'articolo è inquadrata non solo dal coefficiente di correlazione, ma dal processo di validazione stesso. Gli autori sostengono che il campo soffra di un'eterogeneità inspiegabile e che una validazione rigorosa — che includa l'identificazione dei fallimenti di identificabilità, la correzione dei bug di implementazione e la segnalazione dei risultati negativi — rappresenti un contributo critico.

Lo studio dimostra che l'IRL può recuperare una preferenza comportamentale interpretabile e specifica per ogni soggetto (velocità) che correla con la gravità clinica e fornisce un potere esplicativo superiore alle semplici statistiche riassuntive. Tuttavia, gli autori rimangono modesti, riconoscendo che il modello non è perfettamente identificato a causa della residua collinearità tra i termini di velocità e costanza, e che la successiva fase necessaria è la replica esterna su coorti indipendenti.