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

Technische Samenvatting: Een Uitlegbare Hybride van Klassieke en Kwantum Support Vector Machine Modellen voor Risicovoorspelling van de Mentale Gezondheid van Moeders

Probleemstelling
Stoornissen in de mentale gezondheid van moeders, met name tijdens de zwangerschap en de postpartum-periode, vormen een kritieke mondiale volksgezondheidsuitdaging, met prevalentiecijfers die aanzienlijk hoger liggen in lage- en middeninkomenslanden (LMIC's). Ondanks de beschikbaarheid van effectieve interventies, blijven onderdiagnose en vertraagde interventie bestaan door beperkte middelen, ontoereikende screeningsinfrastructuur en een tekort aan gespecialiseerd personeel. Hoewel klassieke machine learning (ML)-modellen veelbelovend zijn gebleken bij het voorspellen van deze risico's met behulp van psychosociale en klinische gegevens, hebben ze vaak moeite met het vastleggen van de zeer complexe niet-lineaire interacties die aanwezig zijn in heterogene, multinationale datasets. Bovendien integreren bestaande benaderingen zelden quantum-enhanced learning of uitlegbare kunstmatige intelligentie (XAI), wat hun interpreteerbaarheid en klinische betrouwbaarheid beperkt. Daarnaast kampen standalone quantum machine learning-modellen met prestatiebeperkingen door de beperkingen van de huidige noisy intermediate-scale quantum (NISQ) hardware.

Methodologie
De studie stelt een Uitlegbare Hybride Klassiek-Kwantum Support Vector Machine (SVM) model voor, ontworpen om te profiteren van het discriminerende vermogen van klassieke algoritmen en de niet-lineaire feature-representatiecapaciteiten van quantum computing.

• Dataset: Het onderzoek maakte gebruik van een multinationale dataset bestaande uit 14.008 moedergegevens. Deze geïntegreerde dataset omvatte primaire gegevens van Ugandese ziekenhuizen (Kawempe National Referral Hospital en Mukono Hospital) en secundaire gegevens van een publiek beschikbare dataset over perinatale depressie uit Pakistan. De data omvatten 51 variabelen die demografie, obstetrische geschiedenis, sociaaleconomische factoren en psychosociale indicatoren (bijv. stress, hopeloosheid, suïcidale ideatie) beslaan.
• Preprocessing: De pipeline omvatte data-opschoning, het afhandelen van ontbrekende waarden en het coderen van categorische variabelen. Om de klassenonbalans aan te pakken, werd de Synthetic Minority Oversampling Technique (SMOTE) toegepast op de trainingsset. Kernel Principal Component Analysis (KPCA) werd ingezet voor dimensionaliteitsreductie en om niet-lineaire relaties te behouden voorafgaand aan de quantum feature embedding.
• Modelarchitectuur:
  • Klassieke SVM: Maakte gebruik van een Radial Basis Function (RBF) kernel om een optimaal scheidend hypervlak te construeren.
  • Quantum SVM (QSVM): Geïmplementeerd met de Pennylane-bibliotheek; dit component bracht klassieke inputfeatures naar een hoogdimensionale quantum Hilbert-ruimte met behulp van geparametriseerde quantumcircuits. Een quantum kernelfunctie ($K_Q$) werd berekend om de gelijkenis tussen samples in de quantum feature-ruimte te meten.
  • Hybride Integratie: De uiteindelijke voorspelling werd gegenereerd via een gewogen ensemble-aanpak, waarbij de waarschijnlijkheidsoutputs van de Klassieke SVM ($P_C$) en de Quantum SVM ($P_Q$) werden gecombineerd met behulp van een wegingscoëfficiënt ($\alpha$).
  • Uitlegbaarheid: SHapley Additive exPlanations (SHAP) werden toegepast op het hybride model om de bijdrage van individuele features aan de risicovoorspelling te kwantificeren, wat zorgt voor klinische interpreteerbaarheid.
• Experimentele Opstelling: Experimenten werden uitgevoerd in een Google Colaboratory-omgeving met GPU-acceleratie. De dataset werd 80:20 gesplitst voor training en testen. Het voorgestelde model werd vergeleken met Klassieke SVM, Random Forest, XGBoost, LightGBM, CatBoost, Stacking Ensemble en een standalone QSVM.

Belangrijkste Resultaten
De voorgestelde Hybride Klassiek-Kwantum SVM demonstreerde zeer concurrerende prestaties en behaalde:

• Nauwkeurigheid (Accuracy): 99,86%
• F1-score: 99,80%
• ROC-AUC: 99,92%
• PR-AUC: 99,91%

In de vergelijkende analyse presteerde het hybride model beter dan de standalone Quantum SVM, die een nauwkeurigheid van 77,82% en een ROC-AUC van 88,76% behaalde, wat de beperkingen van pure quantummodellen onder huidige NISQ-beperkingen benadrukt. Echter, de hybride aanpak bereikte prestaties die vergelijkbaar zijn met de best presterende klassieke modellen (Klassieke SVM en Stacking Ensemble, beide met 99,93% nauwkeurigheid).

SHAP-analyse Bevindingen:
De uitlegbaarheidsanalyse identificeerde belangrijke voorspellers die bijdragen aan de mentale gezondheidsrisico's van moeders, waaronder:

• Suïcidale ideatie
• Stressniveaus
• Concentratieproblemen
• Vermoeidheid
• Slechte eetlust
• Gevoelens van hopeloosheid

De quantum kernel heatmap-analyse bevestigde dat de quantum feature embedding erin slaagde om niet-lineaire patronen en verborgen feature-interacties binnen de dataset vast te leggen, ondanks de lagere algehele classificatienauwkeurigheid van het standalone model.

Betekenis en Claims
Het artikel claimt dat de primaire bijdrage van dit onderzoek de ontwikkeling is van een uitlegbare hybride architectuur die effectief klassiek discriminerend leren combineert met quantum-enhanced feature-representatie. De auteurs stellen dat deze aanpak:

1. Robuustheid Verbetert: Door quantum kernels te integreren met klassieke optimalisatie, verbetert het model de voorspellende stabiliteit en niet-lineaire scheidbaarheid in complexe, heterogene gezondheidszorgdata.
2. De Kloof Overbrugt: Het adresseert de prestatie-instabiliteit van standalone quantummodellen op NISQ-hardware door gebruik te maken van de sterke punten van klassieke algoritmen.
3. Interpreteerbaarheid Garandeert: De integratie van SHAP-analyse biedt de nodige transparantie voor klinische besluitvorming door specifieke psychosociale en gedragsmatige risicofactoren te identificeren.
4. Toepasbaarheid Demonstreert: De studie vormt een van de weinige uitgebreide evaluaties van hybride quantum-klassieke modellen in de context van de mentale gezondheid van moeders, wat wijst op hun praktische levensvatbaarheid voor risicovoorspelling in diverse, multinationale omgevingen.

De auteurs blijven bescheiden over de huidige staat van quantumhardware en erkennen dat het quantumcomponent in een gesimuleerde NISQ-omgeving werd getest en dat toekomstig werk validatie vereist op grotere, diversere datasets en echte quantumhardware.