Resumo Técnico: Modelagem de Saúde Digital Personalizada com Usuários de Suporte Adaptativos

Declaração do Problema

A aprendizagem de máquina personalizada é crítica na saúde digital devido à heterogeneidade substancial fisiológica e comportamental entre indivíduos. No entanto, a personalização eficaz é prejudicada pela escassez, ruído e fragmentação de dados específicos do usuário. Quando os dados individuais são insuficientes para treinar modelos estáveis, dados externos são necessários, mas incorporá-los sem distorcer sinais pessoais permanece um desafio.

As abordagens existentes geralmente dependem de pré-treinamento populacional seguido de ajuste fino ou agrupamento de dados apenas de usuários considerados "similares" ao indivíduo-alvo. Essas estratégias sofrem de duas limitações principais:

1. Transferência Viciada: Tratar todos os dados externos de forma uniforme (pré-treinamento populacional) ou restringir a transferência a uma pequena vizinhança de usuários similares ignora o valor potencial de usuários dissimilares.
2. Oportunidades Perdidas: Usuários dissimilares, cujos dados podem codificar contrastes informativos ou contraexemplos, são frequentemente excluídos. Isso leva a uma cobertura limitada da variação em nível populacional e impede que o modelo aprenda o que o usuário-alvo não é.

Incluir diretamente dados de usuários dissimilares sem adaptação pode degradar a acurácia ao introduzir padrões enganosos. Há necessidade de um método de treinamento que possa aproveitar adaptativamente dados externos para transferir informações benéficas, suprimindo simultaneamente sinais prejudiciais.

Metodologia

Os autores propõem um framework unificado de personalização que treina um modelo pessoal usando usuários de suporte adaptativos, um grupo composto por indivíduos tanto similares quanto dissimilares. A inovação central é a formulação da personalização como um único objetivo de otimização que atualiza conjuntamente os parâmetros do modelo e pesos adaptativos aprendidos.

1. Inicialização do Usuário de Suporte

O processo começa calculando escores de similaridade $s(u, j)$ entre um usuário-alvo $u$ e todos os usuários externos $j$. Isso é alcançado usando similaridade de cosseno entre embeddings de usuário derivados de uma rede neural auxiliar treinada em dados populacionais agrupados. Diferentemente de agrupamento rígido, todos os usuários são mantidos como potenciais usuários de suporte, reconhecendo que tanto usuários altamente similares quanto altamente dissimilares podem fornecer informações valiosas.

2. Objetivo de Otimização Unificado

O framework minimiza uma função de perda composta (Equação 2) consistindo em três termos:

• Perda Pessoal ($L$): Supervisão direta dos próprios dados do usuário-alvo ($D_u$), garantindo especificidade aos padrões individuais.
• Transferência de Conhecimento de Usuários Similares: Uma soma ponderada de perdas de usuários similares ($S(u)$). A contribuição de cada usuário similar é modulada por um escore de similaridade fixo $s(u, j)$ e um peso adaptativo aprendido $\alpha_j$. Este termo transfere estrutura preditiva de padrões alinhados.
• Penalidade de Usuários Dissimilares ($R$): Um termo de regularização contrastiva de usuários dissimilares ($D(u)$). Este termo usa uma perda baseada em margem para impedir que o modelo pessoal adote padrões enganosos encontrados em usuários dissimilares, estruturando efetivamente o espaço de representação para separar o usuário-alvo daqueles com perfis contrastantes.

O objetivo está sujeito a uma restrição de simplex ($\sum \alpha_j = 1, \alpha_j \geq 0$), garantindo influência normalizada.

3. Algoritmo de Otimização Iterativa

O framework emprega um procedimento de otimização alternada:

• Passo 1 (Atualizar Parâmetros do Modelo): Com pesos adaptativos $\alpha_j$ fixos, os parâmetros do modelo (codificador compartilhado $\phi_{\theta_u}$ e cabeçalho personalizado $g_{\theta_u}$) são atualizados via retropropagação. Gradientes da perda pessoal, termo de transferência e termo de penalidade moldam o codificador e o cabeçalho de maneiras complementares.
• Passo 2 (Atualizar Pesos Adaptativos): Com parâmetros do modelo fixos, os pesos $\alpha_j$ são atualizados com base na utilidade preditiva de cada usuário de suporte. Uma função de custo $c_j$ é computada, equilibrando o erro de predição em usuários similares contra a sobreposição representacional com usuários dissimilares. Os pesos são então normalizados via softmax, atribuindo maior influência a usuários que fornecem generalização benéfica ou contraste informativo.

Contribuições Principais

1. Redefinição de Usuários de Suporte: O artigo introduz o conceito de usuários de suporte compreendendo tanto indivíduos similares quanto dissimilares, argumentando que usuários dissimilares fornecem informações complementares significativas (estrutura contrafactual) frequentemente negligenciadas em trabalhos anteriores.
2. Framework Adaptativo Unificado: Um framework inovador que integra dados heterogêneos de usuários de suporte aprendendo contribuições adaptativas. Isso permite que o modelo aproveite seletivamente sinais úteis e suprima os prejudiciais através de um processo de otimização principiado.
3. Validação Empírica e Interpretabilidade: Validação extensa em seis tarefas de saúde em quatro conjuntos de dados do mundo real demonstra a eficácia do método. Além disso, os pesos adaptativos aprendidos fornecem interpretabilidade, oferecendo insights acionáveis para seleção de dados direcionada.

Resultados Experimentais

O framework foi avaliado em quatro conjuntos de dados de saúde digital do mundo real: Solidão, Afeto, CGMacro (resposta à glicose) e Globem (previsão de sono). O desempenho foi comparado a seis baselines, incluindo modelos populacionais, modelos puramente personalizados, modelos mesclados, modelos baseados em transferência, modelos baseados em agrupamento e modelos ponderados por similaridade fixa.

• Ganhos de Desempenho: O método proposto superou consistentemente as baselines. Em conjuntos de dados em grande escala (por exemplo, Globem), alcançou até 10% de RMSE menor. Em configurações de poucos dados, as melhorias foram ainda mais pronunciadas, atingindo aproximadamente 25% de RMSE menor.
• Eficiência de Dados: Experimentos variando a porcentagem de usuários de suporte mostraram que modelos treinados em subconjuntos selecionados (top 10% mais similares e top 10% mais dissimilares) frequentemente superaram aqueles treinados na população total, validando a utilidade do conceito de "usuário de suporte".
• Sensibilidade à Arquitetura: Codificadores MLP mais simples superaram codificadores Transformer em regimes de poucos dados (Solidão, Afeto), enquanto a lacuna de desempenho diminuiu à medida que a disponibilidade de dados aumentou (Globem).
• Estudos de Ablação: Remover tanto o termo de transferência de usuários similares quanto o termo de penalidade de usuários dissimilares levou a degradação significativa de desempenho em muitas tarefas, confirmando a necessidade de ambos os componentes. Da mesma forma, usar pesos fixos em vez de adaptativos resultou em desempenho inferior, particularmente em populações heterogêneas.

Significado e Alegações

O artigo afirma que seu significado principal reside em mudar o paradigma da saúde digital personalizada de excluir usuários dissimilares para integrá-los adaptativamente. Ao tratar a personalização como um objetivo unificado que equilibra perda pessoal, transferência positiva e regularização contrastiva, o método aborda o desafio fundamental de escassez de dados e ruído.

Os autores enfatizam que os pesos adaptativos aprendidos servem a um duplo propósito:

1. Desempenho: Eles otimizam dinamicamente o compromisso entre generalização e especificidade, levando a uma acurácia preditiva superior.
2. Interpretabilidade: Os pesos fornecem um mecanismo transparente para entender quais usuários externos contribuem mais para o modelo de um indivíduo específico. Isso oferece orientação prática para estratégias de coleta de dados, sugerindo que a futura coleta de dados deve priorizar não apenas o usuário-alvo, mas também aqueles usuários de suporte com altos pesos adaptativos.

O trabalho conclui que essa abordagem permite monitoramento e recomendações mais precisos na saúde digital ao aproveitar efetivamente o espectro completo da diversidade populacional, em vez de apenas o subconjunto mais similar.