Auditable cross-instrument detection of unusual multivariate psychiatric response configurations using a semantically aligned covariance subspace

Technische Samenvatting: Controleerbare Cross-Instrumentele Detectie van Ongebruikelijke Multivariate Psychiatrische Responsconfiguraties

Probleemstelling
Conventionele psychiatrische screening steunt op het analyseren van instrumenten afzonderlijk, waarbij symptomen worden samengevat via additieve totaalscores binnen specifieke schalen (bijv. depressie, angst, stress). Deze benadering behandelt items als onafhankelijk binnen instrumenten en negeert de covariantiestructuur over verschillende instrumenten heen. Hierdoor worden respondenten met symptoomprofielen die verdeeld zijn over meerdere domeinen in ongebruikelijke combinaties niet gedetecteerd, terwijl zij onder de diagnostische drempel van elke individuele schaal blijven. Hoewel dimensionale en transdiagnostische modellen suggereren dat symptoomheterogeniteit en cross-diagnostische structuren klinisch significant zijn, ontbreekt het de routinepraktijk aan een kader voor het analyseren van deze gezamenlijke responsruimtes, met name wanneer instrumenten verschillen in bewoording, responsformaten en constructgrenzen.

Methodologie
De auteurs stellen een pijplijn voor om "pan-milde" gevallen te detecteren—respondenten met laag- tot matig intense responsen die verdeeld zijn over meerdere domeinen en die de single-instrument extreme-waarde logica omzeilen. De methodologie bestaat uit de volgende stappen:

1. Semantische Uitlijning: Item-prompts van heterogene instrumenten (depressie, stress, angst, slaap) worden ingebed in een gedeelde semantische ruimte met behulp van een vooraf getrainde zin-encoder (specifiek bge-m3, met sensitiviteitscontroles met all-mpnet-base-v2 en bge-large-en-v1.5). Dit creëert een 1024-dimensionale vector voor elk item, wat een gemeenschappelijk coördinatenstelsel vestigt op basis van semantische nabijheid in plaats van handmatige mapping.
2. Dimensionaliteitsreductie (PCA): Principal Component Analysis (PCA) wordt uitsluitend uitgevoerd op de item-prompt embedding-matrix, zonder gebruik te maken van respondentgegevens. De subspace-dimensionaliteit ($D$) wordt geselecteerd als het minimum aantal componenten dat vereist is om 80% van de variantie in de item-embeddings te verklaren. Dit levert een gewichtsmatrix ($W_D$) op die de semantische structuur van de vraagruimte vertegenwoordigt.
   • Voor de oudere volwassenen in de Health and Retirement Study (HRS) cohort (27 items), is $D=10$.
   • Voor de jongere volwassenen in de Xinxiang-cohort (37 items), is $D=16$.
3. Respondent Projectie: Genormaliseerde participanten-responsvectoren ($X$) worden geprojecteerd in de vooraf gedefinieerde semantische subspace via lineaire multiplicatie ($Z = XW_D$). Demografische variabelen (leeftijd, geslacht) worden als residuen verwijderd uit deze coördinaten.
4. Kwantificering van Multivariate Afwijking: De Mahalanobis-afstand wordt berekend voor elke respondent ten opzichte van het cohortgemiddelde in de behouden subspace. Om instabiliteit in matige- tot hoge dimensies te beheersen, wordt de covariantie-matrix geregulariseerd met de Ledoit-Wolf shrinkage estimator.
5. Definitie en Audit van Outliers:
   • Kandidaat-outliers worden gedefinieerd door het empirische 95e percentiel van de cohort-specifieke Mahalanobis-afstandverdeling (om $\chi^2$-aannames te vermijden voor gebonden discrete data).
   • Cruciale Audit-laag: Om gevallen te isoleren die onzichtbaar zijn voor conventionele screening, worden respondenten uitgesloten die op enig enkel item de maximale waarde van de Likert-schaal op elk instrument hebben aangegeven. Dit zorgt ervoor dat de overgebleven outliers "sub-plafond" zijn op alle dimensies.
6. Interpreteerbaarheid: Anomale component-scores kunnen worden teruggevoerd naar hun oorspronkelijke item-loadings om de specifieke responsconfiguraties te interpreteren die de outlier-status drijven.

Belangrijkste Resultaten
De studie analyseerde twee verschillende cohorten: de HRS ($N=4.413$, oudere volwassenen) en de Xinxiang-steekproef ($N=24.292$, jongere volwassenen).

• Stabiliteit: Een Jaccard-gebaseerde stabiliteitsanalyse bevestigde dat de gekozen dimensionaliteiten ($D=10$ en $D=16$) stabiele representaties boden van de cross-instrumentele semantische structuur.
• Detectie van Pan-Milde Gevallen: Na de strikte plafond-audit bleven er exact zeven respondenten over als multivariate outliers in elk cohort (0,159% van de HRS; 0,029% van de Xinxiang). Deze gevallen werden niet gesignaleerd door enige enkele-instrument additieve score.
• Geometrische Contrasten:
  • HRS (Oudere Volwassenen): Outliers werden gekenmerkt door een zwakke bevestiging van met stemming gelabelde items (verdriet, eenzaamheid) die samenkwam met non-zero responsen op lichaamsgerelateerde (beven, flauwheid) en slaapgerelateerde items.
  • Xinxiang (Jongere Volwassenen): Outliers vertoonden ongebruikelijke selectieve co-occurrences, zoals zelfbeschadigings-gerelateerde items die verschenen zonder het bredere patroon van rusteloosheid of concentratieproblemen die gewoonlijk hiermee gepaard gaan, of incomplete configuraties die de domeinen stemming, slaap en stress beslaan.
• Vergelijking met Niet-lineaire Methoden: Bij vergelijking met Uniform Manifold Approximation and Projection (UMAP) toegepast op ruwe data, identificeerde de semantische PCA-pijplijn een distincte set outliers. UMAP had de neiging om extreme randclusters te markeren, terwijl de semantische covariantie-benadering "interstitiële" structurele anomalieën identificeerde die binnen de manifold verdeeld zijn.
• Robustheid van Embedders: De paargewijze Jaccard-overlap van de outlier-sets over verschillende embedding-modellen was significant hoger dan bij toeval (hypergeometrische nul), wat wijst op de detectie van een consistent structureel signaal ondanks variaties in de specifieke semantische encoder.

Significantie en Claims
Het artikel beweert een praktische, controleerbare tool te bieden voor het signaleren van ongebruikelijke multivariate responsconfiguraties die enkelvoudige instrumentale screening mist. De belangrijkste bijdragen zijn:

1. Methodologische Innovatie: Het introduceert een semantisch uitgelijnde covariantie-subspace die de gezamenlijke analyse van heterogene psychiatrische instrumenten mogelijk maakt zonder handmatige item-matching.
2. Geometrisch Inzicht: Het demonstreert dat er een kleine, coherente groep respondenten bestaat wiens responsconfiguraties "onzichtbaar" zijn voor scalaire screening, maar geometrisch onderscheidend zijn in een gedeelde semantische ruimte.
3. Interpreteerbaarheid: De methode is volledig interpreteerbaar op het niveau van de oorspronkelijke item-bijdragen, waardoor het "black box"-karakter van veel deep learning-benaderingen wordt vermeden.

Beperkingen en Reikwijdte
De auteurs geven expliciet aan dat dit instrument geen diagnostisch instrument is en geen validiteit met betrekking op uitkomsten vaststelt.

• Het is een hypothese-genererende screening bedoeld om gevallen te signaleren voor verdere klinische beoordeling.
• De analyse is transversaal; prospectieve validatie met betrekking tot de voorspelling van stoornisontwikkeling, functionele achteruitgang of hulpzoekend gedrag is vereist.
• De tool detecteert statistische atypische kenmerken, wat klinisch relevante configuraties, idiosyncratische rapportagestijlen of cohort-specifieke meetstructuren kan weerspiegelen.
• De benadering geeft prioriteit aan controleerbaarheid en lineaire interpreteerbaarheid boven het potentieel van niet-lineaire manifolds, in de erkenning dat psychologische profielen complexere ruimtes kunnen bewonen.

Samenvattend betoogt het artikel dat hoewel additieve screening nuttig is, het incompleet is. Door de vraag te verschuiven van "Is de persoon ernstig op één schaal?" naar "Is de totale configuratie van de persoon ongebruikelijk gestructureerd ten opzichte van zijn cohort?", brengt deze methode een residuele klasse van gevallen aan het licht die klinische aandacht verdienen maar momenteel worden over het hoofd gezien.