CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support

Technische Samenvatting: CASCADE Conformale Voorspelling

Probleemstelling
Effectief medicatiebeheer voor de ziekte van Parkinson (PD) wordt bemoeilijkt door heterogene ziekteprogressie en variabele patiëntresponsen. Klinische besluitvormingssystemen voor PD maken vaak gebruik van een tweestapsarchitectuur: een classifier bepaalt of een medicatieaanpassing nodig is (Stap 1), gevolgd door een regressor die voorspelt hoeveel de dosering moet veranderen (Stap 2), doorgaans gemeten in de Levodopa-equivalente dagdosis (LEDD).

Er bestaat een kritieke kloof in de huidige methoden voor onzekerheidskwantificatie (UQ) voor dergelijke systemen. Standaard conformale voorspelling (CP) benaderingen behandelen de regressiestap geïsoleerd, waardoor de epistemische onzekerheid die in de upstream-classificatiestap wordt gegenereerd, wordt genegeerd. Bijgevolg kan een model een statisch, smal voorspellingsinterval genereren voor een patiënt waarbij de beslissing om in te grijpen hoogst ambigu is (bijv. 55% zekerheid), terwijl het een vergelijkbaar interval produceert voor een patiënt met een duidelijke noodzaak (bijv. 99% zekerheid). Deze "stijve conservatisme" faalt in het communiceren van de betrouwbaarheid van voorspellingen, wat potentieel kan leiden tot gevaarlijke overmoedigheid in ambigu gevallen en onnodig conservatisme in duidelijke gevallen.

Methodologie: Het CASCADE-kader
De auteurs introduceren CASCADE (Calibrated Adaptive Scaling via Conformal And Distributional Estimation), een kader dat epistemische onzekerheid doorgeeft van een screening-classifier om downstream voorspellingsintervallen dynamisch te schalen.

1. Epistemische Onzekerheidskwantificatie (Stap 1):
   In plaats van te vertrouwen op standaard probabilistische output, maakt het kader gebruik van Venn-Abers (VA) predictoren om een multi-probabilistisch interval $[p_0(x), p_1(x)]$ te genereren voor de classificatietaken. De onzekerheidsscore, $u_{VA}(x)$, wordt gedefinieerd als de lengte van dit interval ($p_1(x) - p_0(x)$). Een breder interval duidt op hogere ambiguïteit met betrekking tot de vraag of een medicatieverandering werkelijk vereist is.

2. Adaptieve Conformale Kalibratie (Stap 2):
   De $u_{VA}(x)$-score wordt direct gemapt naar de non-conformiteitsscores van de regressietaken. De auteurs stellen twee strategieën voor:

   • Mondriaanse (Discrete) Benadering: De kalibratieset wordt gepartitioneerd in strata op basis van quantielen van $u_{VA}(x)$. Voorspellingsintervallen worden geconstrueerd met behulp van residuen uitsluitend uit het corresponderende stratum. Hoewel geldig, lijdt deze benadering onder datafragmentatie.
   • Continue Cascade Benadering: Deze methode maakt gebruik van een gemiddeld gecentreerde schalingsfunctie $\sigma(x)$ geparametriseerd door een gevoeligheidsfactor $\beta$:
     $$\sigma(x) = 1 + \beta \left( \frac{u_{VA}(x)}{\bar{u}_{VA}} - 1 \right)$$
     Hierbij is $\bar{u}_{VA}$ de gemiddelde onzekerheid van de kalibratieset. Als de onzekerheid van een patiënt boven het gemiddelde ligt, breidt het interval zich uit; als het eronder ligt, krimpt het. Het uiteindelijke voorspellingsinterval wordt geconstrueerd met behulp van een globale quantiel van de geschaalde non-conformiteitsscores, waarbij wordt gegarandeerd dat de intervallengte continu schaalt met de moeilijkheidsgraad van de klinische beslissing.

Belangrijkste Bijdragen

1. Cross-Taken Onzekerheidsoverdracht: Het kader vestigt een mechanisme om classificatiebetrouwbaarheid (via Venn-Abers) direct te mappen naar conformale non-conformiteitsscores, waardoor regressie-intervallen kunnen adapteren aan upstream-onzekerheid zonder het trainen van aanvullende foutmodellen.
2. Continue Schalingsmechanisme: Door het introduceren van een instelbare parameter $\beta$ in de continue implementatie, vermijden de auteurs discretisatieartefacten en fragmentatie van de steekproefgrootte die inherent zijn aan traditionele binning (Mondriaanse) benaderingen.
3. Klinische Validatie: Het kader wordt gevalideerd op een decennium aan data van ziekenhuispatiënten van 631 patiënten bij de University of Florida Health, waarbij wordt aangetoond dat het marginaal dekkinggaranties handhaaft terwijl het tegelijkertijd de efficiëntie voor gevallen met hoge zekerheid aanzienlijk verbetert.

Resultaten
Geëvalueerd tegen standaard conformale baselines (Naïef, Standaard CP, CV+, J+aB) en een discrete Mondriaanse baseline:

• Dekking: Het Continue CASCADE-kader (met $\beta=0.7$) bereikte een marginale dekking van 80,1%, waarmee de doelstelling van een 80% betrouwbaarheidsniveau werd gehaald. Daarentegen bereikte Standaard CP een dekking van 84,0%, wat wijst op overdekking als gevolg van stijve conservatisme.
• Efficiëntie: Voor patiënten met lage onzekerheid (onderste 33%) verkleinde CASCADE de gemiddelde lengte van het voorspellingsinterval met 38,9% (van 0,113 naar 0,069) in vergelijking met de Standaard CP-baseline.
• Adaptiviteit (Cascade Ratio): Het kader bereikte een Cascade Ratio (CR) van 4,23, vergeleken met 1,00 voor Standaard CP. Dit geeft aan dat de intervallengte voor gevallen met hoge onzekerheid (bovenste 33%) bijna 2,6 keer breder was dan voor gevallen met lage onzekerheid (0,292 versus 0,069), waardoor effectief een "veiligheidsbuffer" wordt gecreëerd voor ambigu gevallen.
• Statistische Significantie: Een Kolmogorov-Smirnov-test bevestigde een significante divergentie ($D=0.62, p < 10^{-54}$) tussen de intervalverdelingen van CASCADE en Standaard CP. Bovendien werd een bijna perfecte Spearman-correlatie ($\rho = 0.999$) waargenomen tussen de intervallengte en de Venn-Abers onzekerheidsscore, wat bevestigt dat de adaptiviteit wordt gedreven door het onzekerheidssignaal.

Betekenis en Claims
Het artikel claimt dat CASCADE de kloof overbrugt tussen discrete klinische besluitvorming en continue dosisvoorspelling. Door classificatieonzekerheid expliciet te koppelen aan regressiekalibratie, fungeert het kader als een automatische veiligheidsvoorziening:

• Het voorkomt gevaarlijke overmoedigheid in complexe of ambigu scenario's door voorspellingsintervallen automatisch uit te breiden om robuuste dekking te garanderen.
• Het elimineert onnodig conservatisme voor eenvoudige gevallen, waardoor clinici nauwkeurigere, actievere richtlijnen krijgen.

De auteurs benadrukken dat hoewel het kader is gevalideerd op PD-medicatiebeheer, het een fundamentele betrouwbaarheidskloof aanpakt in elke tweestapspijplijn waarbij een discrete interventiebeoordeling voorafgaat aan een continue kwantificatietaken. Het werk stelt dat adaptiviteit niet slechts een technische verbetering is, maar een klinische noodzaak om AI-gedrag in lijn te brengen met het principe van primum non nocere (eerst, doe geen kwaad). De auteurs merken op dat hoewel het kader onzekerheid aan het licht brengt om clinici te waarschuwen, vooruitstrevende validatie en regelgevende toetsing vereist zijn voordat klinische implementatie kan plaatsvinden.