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

Sintesi Tecnica: Un Modello Ibrido Spiegabile di Support Vector Machine Classico e Quantistico per la Predizione del Rischio di Salute Mentale Materna

Definizione del Problema
I disturbi della salute mentale materna, in particolare durante la gravidanza e il periodo postpartum, rappresentano una sfida critica per la salute pubblica globale, con tassi di prevalenza significamente più elevati nei paesi a basso e medio reddito (LMIC). Nonostante la disponibilità di interventi efficaci, la sottodiagnosi e l'intervento tardivo persistono a causa delle risorse limitate, delle infrastrutture di screening inadeguate e della carenza di personale specializzato. Sebbene i modelli di apprendimento automatico (ML) classici abbiano mostrato potenziale nella predizione di tali rischi utilizzando dati psicosociali e clinici, essi spesso faticano a catturare le altamente complesse interazioni non lineari presenti in dataset eterogenei e multicontinentali. Inoltre, gli approoli esistenti raramente integrano l'apprendimento potenziato dal quantum o l'intelligenza artificiale spiegabile (XAI), limitandone l'interpretabilità e l'affidabilità clinica. Inoltre, i modelli di apprendimento automatico quantistico indipendenti affrontano vincoli di prestazione dovuti alle limitazioni dell'attuale hardware a scala intermedia rumorosa (NISQ).

Metodologia
Lo studio propone un modello Explainable Hybrid Classical-Quantum Support Vector Machine (SVM) progettato per sfruttare il potere discriminativo degli algoritmi classici e le capacità di rappresentazione di feature non lineari del calcolo quantistico.

• Dataset: La ricerca ha utilizzato un dataset multicontinentale composto da 14.008 record materni. Questo dataset integrato includeva dati primari da ospedali ugandesi (Ospedale Nazionale di Riferimento di Kawempe e Ospedale di Mukono) e dati secondari da un dataset di depressione perinatale disponibile pubblicamente relativo al Pakistan. Il dataset comprendeva 51 variabili che coprivano demografia, storia ostetrica, fattori socioeconomici e indicatori psicosociali (ad es., stress, disperazione, ideazione suicidaria).
• Preprocessing: La pipeline ha previsto la pulizia dei dati, la gestione dei valori mancanti e la codifica delle variabili categoriche. Per affrontare lo sbilanciamento delle classi, è stata applicata la tecnica Synthetic Minority Oversampling Technique (SMOTE) al set di addestramento. La Kernel Principal Component Analysis (KPCA) è stata impiegata per la riduzione della dimensionalità e per preservare le relazioni non lineari prima dell'embedding delle feature quantistiche.
• Architettura del Modello:
  • SVM Classico: Ha utilizzato un kernel Radial Basis Function (RBF) per costruire un iperpiano separatore ottimale.
  • QSVM (Quantum SVM): Implementato utilizzando la libreria Pennylane, questo componente ha mappato le feature di input classiche in uno spazio di Hilbert quantistico ad alta dimensione utilizzando circuiti quantistici parametrizzati. Una funzione kernel quantistica ($K_Q$) è stata calcolata per misurare la similarità tra i campioni nello spazio delle feature quantistiche.
  • Integrazione Ibrida: La predizione finale è stata generata tramite un approccio ensemble pesato, combinando gli output di probabilità del Classical SVM ($P_C$) e del Quantum SVM ($P_Q$) utilizzando un coefficiente di ponderazione ($\alpha$).
  • Spiegabilità: SHapley Additive exPlanations (SHAP) sono stati applicati al modello ibrido per quantificare il contributo di singole feature alla predizione del rischio, garantendo l'interpretabilità clinica.
• Configurazione Sperimentale: Gli esperimenti sono stati condotti in un ambiente Google Colaboratory con accelerazione GPU. Il dataset è stato suddiviso in un rapporto 80:20 per addestramento e test. Il modello proposto è stato confrontato con Classical SVM, Random Forest, XGBoost, LightGBM, CatBoost, Stacking Ensemble e QSVM standalone.

Risultati Chiave
L'Hybrid Classical-Quantum SVM proposto ha dimostrato prestazioni altamente competitive, raggiungendo:

• Accuratezza: 99,86%
• F1-Score: 99,80%
• ROC-AUC: 99,92%
• PR-AUC: 99,91%

Nell'analisi comparativa, il modello ibrido ha superato il QSVM standalone, che ha raggiunto un'accuratezza del 77,82% e un ROC-AUC dell'88,76%, evidenziando i limiti dei modelli puramente quantistici sotto i vincoli NISQ attuali. Tuttavia, l'approccio ibrido ha ottenuto prestazioni comparabili ai migliori modelli classici (Classical SVM e Stacking Ensemble, entrambi con un'accuratezza del 99,93%).

Risultati dell'Analisi SHAP:
L'analisi della spiegabilità ha identificato i principali predittori che contribuiscono al rischio di salute mentale materna, tra cui:

• Ideazione suicidaria
• Livelli di stress
• Difficoltà di concentrazione
• Stanchezza
• Scarso appetito
• Sentimenti di disperazione

L'analisi della heatmap del kernel quantistico ha confermato che l'embedding delle feature quantistiche ha catturato con successo i pattern non lineari e le interazioni nascoste tra le feature all'interno del dataset, nonostante la minore accuratezza complessiva della classificazione del modello standalone.

Significatività e Rivendicazioni
Il documento afferma che il contributo primario di questo studio sia lo sviluppo di un'architettura ibrida spiegabile che combina efficacemente l'apprendimento discriminativo classico con la rappresentazione delle feature potenziata dal quantum. Gli autori sostengono che questo approccio:

1. Migliora la Robustezza: Integrando i kernel quantistici con l'ottimizzazione classica, il modello migliora la stabilità predittiva e la separabilità non lineare in dati sanitari complessi ed eterogenei.
2. Colma il Divario: Affronta l'instabilità delle prestazioni dei modelli quantistici standalone sull'hardware NISQ, sfruttando i punti di forza degli algoritmi classici.
3. Garantisce l'Interpretabilità: L'integrazione dell'analisi SHAP fornisce la necessaria trasparenza per il processo decisionale clinico, identificando specifici fattori di rischio psicosociali e comportamentali.
4. Dimostra l'Applicabilità: Lo studio fornisce una delle poche valutazioni complete dei modelli ibridi classico-quantistici nel contesto della salute mentale materna, suggerendo la loro praticità per la predizione del rischio in contesti multicontinentali diversificati.

Gli autori rimangono modesti riguardo allo stato attuale dell'hardware quantistico, riconoscendo che la componente quantistica è stata simulata in un ambiente NISQ e che il lavoro futuro richiede la validazione su dataset più ampi e diversificati e su hardware quantistico reale.