Resumo Técnico: RuleSHAP para Inferência Epidemiológica Não Linear

Definição do Problema

O Aprendizado de Máquina (ML) é cada vez mais utilizado na epidemiologia para a "descoberta livre de hipóteses" de fatores de risco e de proteção, pois pode capturar complexidades não lineares e interações que modelos lineares rígidos perdem. No entanto, uma limitação crítica persiste: os modelos padrão de ML carecem de inferência estatística confiável. Medidas de importância de atributos como o SHAP (Shapley Additive Explanations) fornecem estimativas de efeito local, mas tipicamente carecem de quantificação de incerteza (UQ) válida. Tentativas existentes de quantificar a incerteza do SHAP focam frequentemente apenas na incerteza aleatória (ruído nos dados), negligenciando a incerteza epistêmica (instabilidade nos parâmetros do modelo). Métodos que combinam seleção de atributos por ML com regressão linear subsequente frequentemente geram estimativas de incerteza excessivamente otimistas e falham em capturar interações não lineares de forma consistente. O desafio é desenvolver um framework que ofereça a flexibilidade do ML para detectar padrões complexos, enquanto fornece inferência estatística rigorosa ao nível local com intervalos de credibilidade.

Metodologia: O Framework RuleSHAP

Os autores propõem o RuleSHAP, um framework que integra regressão esparsa Bayesiana, conjuntos de árvores (tree ensembles) e valores de Shapley para abordar as limitações dos modelos da família RuleFit existentes. A metodologia consiste em três inovações principais:

1. Ajuste Linear Melhorado com Prior de Horseshoe Estruturado

O RuleSHAP emprega um modelo de regressão linear Bayesiana aprimorado com regras de decisão dicotômicas. Diferente do modelo HorseRule padrão, que utiliza um único parâmetro de encolhimento (shrinkage) global que pode causar um encolhimento excessivo dos termos lineares (levando à perda de sinais lineares), o RuleSHP introduz um prior de horseshoe estruturado hierárquico.

• Encolhimentos Globais Separados: O modelo utiliza distintos parâmetros de encolhimento global ($\tau_L$ para termos lineares e $\tau_R$ para termos de regra). Isso garante que regras não informativas não inflacionem o encolhimento global em detrimento dos termos lineares.
• Foco na Inferência: Essa separação permite uma quantificação de incerteza mais precisa para efeitos lineares, o que é crucial, pois os termos lineares não são condicionais aos dados da mesma forma que as regras, tornando-os mais passíveis de inferência.

2. Geração de Regras Robusta (Random Forest Suavizada)

Para abordar a questão de que a geração de regras é aleatória e dependente do conjunto de dados específico (levando ao overfitting e à subestimação da incerteza), o RuleSHAP introduz uma abordagem de "Random Forest Suavizada":

• Integração de Bootstrap Paramétrico: Em vez de usar os resultados observados brutos para a geração de regras, o método ajusta uma Random Forest, estima os parâmetros da distribuição dos resultados (ex: média e variância) usando previsões out-of-bag, e então gera regras ajustando uma nova Random Forest sobre resultados sintéticos amostrados dessas distribuições estimadas.
• Ajuste Baseado em Resíduos: Para o ajuste linear inicial, as regras são geradas a partir dos resíduos de uma regressão de Horseshoe Bayesiana sobre os termos lineares. Isso garante que as regras modelem tendências além do linear, em vez de recapturar sinais lineares.
• Desagregação de Regras: Para aumentar a interpretabilidade e evitar o overfitting de interações complexas, o método desagrega totalmente os caminhos das árvores. As condições em um caminho de árvore são recombinadas de todas as formas possíveis, permitindo que o modelo utilize condições simples e necessárias sem ser forçado a usar regras de interação desnecessariamente complexas.

3. Computação Eficiente de Valores de Shapley

O framework deriva fórmulas explícitas para computar valores de Shapley marginais e valores de Shapley de interação diretamente dos termos de regra.

• Estimativa Direta: Diferente do TreeSHAP, que exige converter as regras de volta em árvores completas (aumentando o custo computacional), o RuleSHAP fornece um estimador não viesado para valores de Shapley como médias amostrais sobre o conjunto de dados.
• Propagação de Incerteza: Ao computar valores de Shapley para cada amostra posterior do modelo Bayesiano, o framework gera distribuições posteriores completas para os efeitos dos atributos, permitindo a construção de intervalos de credibilidade para inferência local.

Principais Resultados

Estudos de Simulação

Os autores validaram o RuleSHAP em dados simulados (benchmark de Friedman) com variando tamanhos de amostra ($n$) e dimensões ($p$), comparando-o com OLS, LASSO, RuleFit, HorseRule, Random Forest e BART.

• Reconstrução de Sinal: O RuleSHAP identificou com sucesso sinais lineares ($x_4, x_5$) que o RuleFit e o HorseRule frequentemente perderam devido ao encolhimento excessivo. Ele reconstruiu efeitos de interação ($x_1, x_2$) e efeitos puramente não lineares ($x_3$) com precisão comparável ou superior aos concorrentes em maiores tamanhos de amostra.
• Detecção de Ruído: O RuleSHAP demonstrou capacidade superior de distinguir sinal de ruído. Enquanto o BART e o HorseRule frequentemente produziram efeitos locais significativos para atributos de ruído (devido à incerteza subestimada), os intervalos de credibilidade do RuleSHAP para atributos de ruído consistentemente continham zero.
• Quantificação de Incerteza: O RuleSHAP alcançou as menores taxas de rejeição para atributos de ruído e as maiores para atributos de sinal, indicando um melhor equilíbrio entre erros do Tipo I e Tipo II na inferência local.

Aplicação Epidemiológica (Estudo HELIUS)

O framework foi aplicado à coorte HELIUS ($n=21.570$) para investigar fatores de risco para pressão arterial sistólica (PAS) e níveis de colesterol.

• Desempenho Preditivo: O RuleSHAP igualou os modelos lineares para PAS (uma relação amplamente linear), mas superou significativamente os modelos lineares para o colesterol, capturando as não linearidades necessárias.
• Achados de Inferência:
  • PAS: Confirmou associações positivas com idade, IMC e glicose. Revelou efeitos heterogêneos da idade entre etnias e sexos.
  • Colesterol: Detectou uma associação positiva com o tabagismo e uma associação negativa com a glicose. Crucialmente, descobriu uma interação não linear entre idade e sexo, mostrando que a diferença nos níveis de colesterol entre os sexos torna-se mais pronunciada após os 52 anos de idade, alinhando-se com a idade da menopausa.
  • Controle de Ruído: Todos os quatro atributos de ruído adicionados foram corretamente identificados como tendo efeitos não significativos.

Significância e Alegações

O artigo afirma que o RuleSHAP oferece um framework válido para a descoberta livre de hipóteses com inferência estatística local. Sua principal significância reside em preencher a lacuna entre a flexibilidade do ML e o rigor da inferência estatística:

1. Inferência Local: Diferente dos Modelos Aditivos Generalizados (GAMs), que são limitados à inferência global ou intervalos locais subótimos, o RuleSHAP fornece intervalos de credibilidade válidos para efeitos locais de atributos.
2. Incerteza Epistêmica: Ao integrar a regressão Bayesiana, o método contabiliza a instabilidade do modelo (incerteza epistêmica), que é frequentemente negligenciada em outras tentativas de inferência baseadas em SHAP.
3. Equilíbrio Linear vs. Não Linear: O prior estruturado evita o "encolhimento excessivo" de termos lineares, um modo de falha comum em variantes anteriores do RuleFit, garantindo que sinais lineares não sejam perdidos na busca por interações complexas.
4. Eficiência Computacional: As fórmulas explícitas derivadas para valores de Shapley permitem a computação eficiente que escala melhor do que converter regras em árvores completas para o TreeSHAP, particularmente ao analisar regras individuais.

Os autores concluem que, embora o custo computacional permaneça uma limitação (escalando quadraticamente com o tamanho da amostra para o ajuste Bayesiano), o RuleSHAP fornece uma ferramenta robusta para o uso transparente de ML na saúde, permitindo a detecção de fatores de risco complexos e não lineares com quantificação de incerteza estatisticamente válida.