Policy precision reveals action-phase impulsivity in women with premenstrual syndrome during risk-taking

Deze studie introduceert een nieuw actief inferentie-computatiemodel dat aantoont dat impulsiviteit bij vrouwen met premenstrueel syndroom tijdens risicovol gedrag voortkomt uit een verhoogde gevoeligheid voor trial-voor-trial evaluatie in plaats van een leerdeficit, wat wordt gekenmerkt door een specifieke toename van de inverse precisie van het beleid.

De kern

🎈 De Ballon, de Risico's en de "PMS-Breinen"

Stel je voor dat je een spelletje speelt waarbij je een ballon moet oppompen. Elke keer dat je pompt, krijg je meer geld. Maar er is een addertje onder het gras: de ballon kan elk moment knappen. Als hij knapt, ben je al je geld kwijt. Je moet dus op het juiste moment stoppen: niet te vroeg (want dan mis je geld), maar ook niet te laat (want dan knapt hij).

Dit is de BART (Balloon Analogue Risk Task), een bekend spelletje in de psychologie om te testen hoe mensen risico's nemen.

Wetenschappers hebben vaak geprobeerd uit te leggen waarom mensen soms stoppen en soms doorgaan. Ze dachten dat mensen ofwel een vast plan maakten ("Ik pompt precies 8 keer") ofwel elke keer opnieuw beslisten ("Ik pomp nog één keer, maar dan stop ik"). De oude modellen konden deze twee gedragingen niet goed samenvoegen en konden ook niet goed uitleggen waarom mensen soms doorzetten als ze onzeker zijn.

🧠 Het Nieuwe Model: De "Active Inference"

De onderzoekers (Dayoung Yoon en Bumseok Jeong) hebben een nieuw, slim computermodel bedacht, gebaseerd op een theorie genaamd Active Inference.

Stel je dit model voor als een twee-in-één navigatiesysteem in een auto:

1. Het Pragmatische deel (De Reisplanner): Dit deel denkt na over het doel. "Ik wil zoveel mogelijk geld, dus ik moet pompen."
2. Het Epistemische deel (De Nieuwsgierige Ontdekker): Dit deel denkt na over onzekerheid. "Ik weet niet precies waar de knalgrens ligt. Als ik nog een keer pomp, leer ik iets over de ballon."

In dit nieuwe model wordt een beslissing genomen door een balans te zoeken tussen beloning (geld) en nieuwsgierigheid (leren). Als de ballon onzeker is, wil je misschien nog een keer pompen, niet omdat je gierig bent, maar omdat je wilt weten hoe ver je kunt gaan.

🚦 De "Rem" en het "Gaspedaal" (Impulsiviteit)

Het meest interessante aan dit nieuwe model is een variabele die ze policy precision noemen. Laten we dit vergelijken met een rem in je auto.

• Een sterke rem (Hoge precisie): Je hebt een duidelijk plan. Je weet dat je bij 8 pompen moet stoppen, en je doet het ook. Je gedrag is stabiel.
• Een zwakke rem (Lage precisie / Hoge impulsiviteit): Je hebt een plan, maar je remmen werkt slecht. Als je een paar keer succesvol hebt gepompt, voelt het alsof je moet doorgaan. Je plan ("stop bij 8") wordt genegeerd door je impuls om nog een keer te pompen.

🌸 Wat hebben ze ontdekt bij vrouwen met PMS?

De onderzoekers hebben dit model getest bij vrouwen met PMS (Premenstrueel Syndroom) en een controlegroep. Ze keken naar twee momenten in de menstruatiecyclus:

1. De Folliculaire fase: De "rustige" periode na de menstruatie.
2. De Luteale fase: De periode vlak voor de menstruatie, waar PMS-symptomen vaak erger zijn.

De resultaten:

• Oude meetinstrumenten faalden: Als je gewoon keek naar het gemiddelde aantal pompen, zag je geen groot verschil tussen de groepen. Het was alsof je alleen naar de snelheid van de auto keek, zonder te kijken naar hoe de bestuurder stuurde.
• Het nieuwe model sloeg aan: Het model toonde aan dat vrouwen met PMS een zwakkere rem hadden (een hogere waarde voor de variabele $\beta_0$).
  • Dit betekent dat hun impulsiviteit niet komt omdat ze slecht leren of het spel niet begrijpen.
  • Het komt omdat ze in het moment van handelen (terwijl ze pompen) hun plan verliezen. Ze worden overweldigd door de onmiddellijke situatie.
  • Dit effect was het sterkst in de luteale fase (wanneer de PMS-symptomen erger zijn).

💡 De Grootste Les

Stel je voor dat je een plan hebt om niet meer dan 5 koekjes te eten.

• Een normale persoon (met een sterke rem) eet 5 koekjes en stopt, zelfs als de koekjes er lekker uitzien.
• Een persoon met PMS (in deze studie) heeft een plan, maar zodra ze de eerste koekjes hebben gegeten, "schakelt de rem uit". Ze worden zo meegesleurd door het moment dat ze vergeten waarom ze stopten. Ze zijn niet dom of slecht in leren; ze zijn gewoon extreem gevoelig voor wat er nu gebeurt, ten koste van wat ze van tevoren hadden gepland.

Conclusie

Dit onderzoek toont aan dat we impulsiviteit niet alleen moeten meten door te kijken naar het eindresultaat (hoeveel pompen?), maar moeten kijken naar hoe de beslissingen worden genomen.

Voor vrouwen met PMS is het probleem niet dat ze het spel niet begrijpen, maar dat hun "remmen" in de actie-fase minder goed werken, vooral als ze zich slecht voelen in hun cyclus. Dit nieuwe computermodel helpt artsen en wetenschappers om dit soort gedragingen veel preciezer te begrijpen, net als het vinden van een defecte rem in een auto in plaats van alleen te zeggen dat de auto te snel rijdt.

Technische samenvatting

Probleemstelling

De Balloon Analogue Risk Task (BART) is een veelgebruikt instrument om risicogedrag en impulsiviteit te meten. Bestaande computationele modellen voor de BART hebben echter twee fundamentele beperkingen:

1. Scheiding van strategieën: Ze behandelen "sequentiële evaluatie" (pomp-voor-pomp beslissingen) en "voorafgaande evaluatie" (een vooraf bepaald stoppunt) vaak als gescheiden mechanismen, terwijl ze in werkelijkheid waarschijnlijk fasen van hetzelfde besluitvormingsproces vertegenwoordigen.
2. Onvoldoende modellering van onzekerheid: Bestaande modellen (zoals het EWMV-model) struggle om onzekerheidsgedreven informatiedragend gedrag (information-seeking) volledig te vangen. In deze modellen is de bijdrage van de variantie-term (die onzekerheid moet representeren) vaak verwaarloosbaar klein door de beperkte parameterbereiken, en leiden sommige parameters tot tegenintuïtieve effecten (bijv. hogere verliesaversie die paradoxalerwijs het risico-gevoel verhoogt).

Er is behoefte aan een unificerend raamwerk dat beide strategieën integreert en de invloed van geloofsonzekerheid (belief uncertainty) expliciet in de besluitvorming verwerkt.

Methodologie

De auteurs introduceren een nieuw computationeel raamwerk gebaseerd op Active Inference (AIF), waarbij gedrag wordt gezien als het minimaliseren van de Verwachte Vrije Energie (Expected Free Energy - EFE).

1. Het AIF-raamwerk voor de BART:

• EFE-minimalisatie: Agents kiezen een beleid (policy) dat de EFE minimaliseert. De EFE bestaat uit twee componenten:
  • Pragmatische waarde: De verwachte nuttigheid (beloning vs. verlies).
  • Epistemische waarde: De informatie-winst (onzekerheidsreductie).
• Discrete leerprocessen: In plaats van een continue verdeling van de barst-kans, modelleren de auteurs het leerproces op discrete pomp-stappen ($h$). De overlevingskansen worden berekend op basis van een Beta-verdeling voor elke stap, wat beter aansluit bij hoe mensen heuristieken gebruiken (bijv. "na pomp 12 is het gevaarlijk") in plaats van een continue som.
• Dynamische Beleidsprecisie ($\gamma$): Een kerninnovatie is de dynamische aanpassing van de precisie van het beleid ($\gamma$). Deze wordt bijgewerkt op basis van de Variational Free Energy (VFE), wat de voorspellingsfout vertegenwoordigt.
  • Als een uitkomst (bijv. een succesvolle pomp) overeenkomt met de verwachting, blijft de precisie hoog.
  • Als er een onverwachte uitkomst is (bijv. een succesvolle pomp op het moment dat het risico hoog is), daalt de precisie. Dit vermindert de invloed van het rationele EFE op de keuze, wat leidt tot impulsief gedrag (doorgaan met pompen ondanks een gepland stoppunt).

2. Studieopzet:

• Deelnemers: 159 vrouwen (gemiddelde leeftijd 26,2 jaar), ingedeeld in een PMS-groep (Premenstrueel Syndroom) en een controlegroep.
• Fases: Deelnemers werden getest in de folliculaire of luteale fase van hun cyclus.
• Taken: Deelnemers voerden de BART online uit.
• Modelvergelijking: Vier modellen werden vergeleken:
  1. Het Wallsten-model (bestaande benchmark).
  2. Het EWMV-model (bestaande benchmark).
  3. Het efeX-model (AIF met vaste precisie).
  4. Het efegc-model (AIF met dynamische precisie-update, de voorgestelde nieuwe methode).

Belangrijkste Bijdragen

1. Unificatie van strategieën: Het AIF-raamwerk integreert succesvol vooraf geplande strategieën (prior evaluation) en sequentiële her-evaluatie binnen één computationeel principe (EFE-minimalisatie).
2. Mechanistische verklaring van impulsiviteit: De dynamische precisie-update ($\gamma$) biedt een mechanistische verklaring voor waarom mensen doorgaan met risicovol gedrag (zoals gokken) zelfs wanneer ze rationeel zouden moeten stoppen. Een reeks succesvolle uitkomsten verlaagt de precisie, waardoor de rationele "stop"-signalen worden onderdrukt.
3. Nieuwe biomarker voor PMS: De studie identificeert de inverse precisie van het beleid ($\beta_0$) als een robuuste computationele marker voor impulsiviteit bij vrouwen met PMS.

Resultaten

• Modelprestatie: Het efegc-model (met dynamische precisie) presteerde statistisch significant beter dan alle andere modellen (Wallsten, EWMV, en efeX) in het verklaren van het gedragsdata, zoals gemeten door de Protected Exceedance Probability (pxp).
• Gedragsmatige metrics: Traditionele BART-metrics (zoals Adjusted Mean Pumps - AMP) toonden geen significante verschillen tussen de PMS-groep en de controlegroep, noch tussen de menstruatie-fases. Dit suggereert dat standaard metrics onvoldoende gevoelig zijn.
• Computationele parameters:
  • De parameter $\beta_0$ (inverse precisie van het beleid) was significant hoger in de PMS-groep vergeleken met de controlegroep.
  • Er was een significante interactie tussen groep en fase: De fase-afhankelijke variatie in $\beta_0$ werd alleen waargenomen in de PMS-groep (hoger in de luteale fase), terwijl de controlegroep stabiel bleef.
  • Een hogere $\beta_0$ correleerde positief met de variantie in pomp-aantallen (AVPAMP), wat wijst op inconsistentie in het gedrag tijdens de actie-fase.
  • Er was geen bewijs voor een leerdeficiet (geen correlatie met parameters die leerprocessen beschrijven), wat betekent dat de impulsiviteit bij PMS niet voortkomt uit een onvermogen om te leren, maar uit een gebrek aan consistentie in de uitvoering van het plan.

Betekenis en Conclusie

Deze studie biedt een dieper, neurobiologisch plausibel inzicht in de aard van impulsiviteit bij vrouwen met PMS.

• Impulsiviteit als actie-fase inconsistentie: De impulsiviteit bij PMS manifesteert zich niet als een tekort aan leren of plannen, maar als een verhoogde gevoeligheid voor sequentiële evaluatie tijdens de actie zelf. Dit leidt tot een gebrek aan consistentie tussen het geplande stoppunt en het daadwerkelijke gedrag.
• Computational Psychiatry: De studie demonstreert de kracht van Active Inference in de computergestuurde psychiatrie. Door dynamische precisie te modelleren, kunnen subtielere cognitieve mechanismen worden onthuld die door traditionele gedragsmatige metrics (zoals reactietijd of nauwkeurigheid) worden gemist.
• Klinische relevantie: De parameter $\beta_0$ kan dienen als een specifieke computationele marker voor de verergering van symptomen tijdens de menstruatiecyclus bij PMS, wat nieuwe wegen opent voor gerichte interventies en diagnostiek.

Kortom, de auteurs tonen aan dat een model dat onzekerheid en beleidsprecisie dynamisch integreert, niet alleen beter voorspelt hoe mensen risico nemen, maar ook specifieke cognitieve kenmerken van klinische populaties zoals PMS kan blootleggen.