CASCADE Conformal Prediction: Uncertainty-Adaptive Prediction Intervals for Two-Stage Clinical Decision Support

Resumo Técnico: Predição Conformal CASCADE

Declaração do Problema
O gerenciamento eficaz de medicamentos para a Doença de Parkinson (DP) é complicado pela progressão heterogênea da doença e pelas respostas variáveis dos pacientes. Sistemas de suporte à decisão clínica para a DP frequentemente empregam uma arquitetura de dois estágios: um classificador determina se um ajuste de medicação é necessário (Estágio 1), seguido por um regressor que prevê quanto a dosagem deve mudar (Estágio 2), tipicamente medido pela Dose Diária Equivalente de Levodopa (LEDD).

Existe uma lacuna crítica nos métodos atuais de quantificação de incerteza (UQ) para tais sistemas. Abordagens padrão de predição conformal (CP) tratam o estágio de regressão isoladamente, ignorando a incerteza epistêmica gerada no estágio de classificação a montante. Consequentemente, um modelo pode produzir um intervalo de previsão estático e estreito para um paciente onde a decisão de intervir é altamente ambígua (ex.: 55% de certeza), enquanto produz um intervalo similar para um paciente com uma necessidade clara (ex.: 99% de certeza). Este "conservadorismo rígido" falha em comunicar a confiabilidade das previsões, potencialmente levando a uma confiança excessiva perigosa em casos ambíguos e a um conservadorismo desnecessário em casos claros.

Metodologia: A Estrutura CASCADE
Os autores introduzem o CASCADE (Calibração Adaptativa via Escalonamento Conformal e Estimativa Distribucional), uma estrutura que propaga a incerteza epistêmica de um classificador de triagem para escalar dinamicamente os intervalos de previsão a jusante.

1. Quantificação de Incerteza Epistêmica (Estágio 1):
   Em vez de depender de saídas de probabilidade padrão, a estrutura emprega predutores Venn-Abers (VA) para gerar um intervalo multi-probabilístico $[p_0(x), p_1(x)]$ para a tarefa de classificação. A pontuação de incerteza, $u_{VA}(x)$, é definida como o comprimento deste intervalo ($p_1(x) - p_0(x)$). Um intervalo mais amplo indica maior ambiguidade sobre se uma mudança de medicação é realmente necessária.

2. Calibração Conformal Adaptativa (Estágio 2):
   A pontuação $u_{VA}(x)$ é mapeada diretamente para as pontuações de não conformidade da tarefa de regressão. Os autores propõem duas estratégias:

   • Abordagem Mondrian (Discreta): O conjunto de calibração é partitionado em estratos baseados em quantis de $u_{VA}(x)$. Intervalos de previsão são construídos usando resíduos apenas do estrato correspondente. Embora válido, esta abordagem sofre de fragmentação de dados.
   • Abordagem de Cascata Contínua: Este método utiliza uma função de escalonamento centrada na média $\sigma(x)$ parametrizada por um fator de sensibilidade $\beta$:
     $$\sigma(x) = 1 + \beta \left( \frac{u_{VA}(x)}{\bar{u}_{VA}} - 1 \right)$$
     Aqui, $\bar{u}_{VA}$ é a incerteza média do conjunto de calibração. Se a incerteza de um paciente estiver acima da média, o intervalo expande; se estiver abaixo, ele contrai. O intervalo de previsão final é construído usando um quantil global das pontuações de não conformidade escalonadas, garantindo que o comprimento do intervalo escale continuamente com a dificuldade da decisão clínica.

Principais Contribuições

1. Transferência de Incerteza entre Tarefas: A estrutura estabelece um mecanismo para mapear a confiabilidade da classificação (via Venn-Abers) diretamente para pontuações de não conformidade conformais, permitindo que os intervalos de regressão se adaptem à incerteza a montante sem treinar modelos de erro auxiliares.
2. Mecanismo de Escalonamento Contínuo: Ao introduzir um parâmetro ajustável $\beta$ na implementação contínua, os autores evitam os artefatos de discretização e a fragmentação do tamanho da amostra inerentes às abordagens tradicionais de agrupamento (Mondrian).
3. Validação Clínica: A estrutura é validada em uma década de dados de pacientes internados de 631 pacientes no University of Florida Health, demonstrando que mantém garantias de cobertura marginal enquanto melhora significativamente a eficiência para casos de alta confiança.

Resultados
Avaliado contra baselines de predição conformal padrão (Ingênuo, CP Padrão, CV+, J+aB) e uma baseline Mondrian discreta:

• Cobertura: A estrutura CASCADE Contínua (com $\beta=0.7$) alcançou uma cobertura marginal de 80,1%, atendendo ao nível de confiança alvo de 80%. Em contraste, o CP Padrão alcançou 84,0% de cobertura, indicando supercobertura devido ao conservadorismo rígido.
• Eficiência: Para pacientes com baixa incerteza (33% inferiores), o CASCADE reduziu o comprimento médio do intervalo de previsão em 38,9% (de 0,113 para 0,069) em comparação com a baseline CP Padrão.
• Adaptatividade (Razão de Cascata): A estrutura alcançou uma Razão de Cascata (CR) de 4,23, comparada a 1,00 para o CP Padrão. Isso indica que o comprimento do intervalo para casos de alta incerteza (33% superiores) foi quase 2,6 vezes mais amplo do que para casos de baixa incerteza (0,292 vs. 0,069), criando efetivamente um "amortecedor de segurança" para casos ambíguos.
• Significância Estatística: Um teste de Kolmogorov-Smirnov confirmou uma divergência significativa ($D=0,62, p < 10^{-54}$) entre as distribuições de intervalo do CASCADE e do CP Padrão. Além disso, uma correlação de Spearman quase perfeita ($\rho = 0,999$) foi observada entre o comprimento do intervalo e a pontuação de incerteza Venn-Abers, confirmando que a adaptatividade é impulsionada pelo sinal de incerteza.

Significância e Alegações
O artigo alega que o CASCADE preenche a lacuna entre a tomada de decisão clínica discreta e a previsão contínua de dosagem. Ao acoplar explicitamente a incerteza de classificação com a calibração de regressão, a estrutura atua como uma salvaguarda automatizada:

• Previne a confiança excessiva perigosa em cenários complexos ou ambíguos, expandindo automaticamente os intervalos de previsão para garantir uma cobertura robusta.
• Elimina o conservadorismo desnecessário para casos diretos, fornecendo aos clínicos orientações mais precisas e acionáveis.

Os autores enfatizam que, embora a estrutura tenha sido validada no gerenciamento de medicação para DP, ela aborda uma lacuna fundamental de confiabilidade em qualquer pipeline de dois estágios onde uma avaliação de intervenção discreta precede uma tarefa de quantificação contínua. O trabalho postula que a adaptatividade não é meramente um aprimoramento técnico, mas uma necessidade clínica para alinhar o comportamento da IA com o princípio de primum non nocere (primeiro, não causar dano). Os autores observam que, embora a estrutura traga à tona a incerteza para alertar os clínicos, validação prospectiva e revisão regulatória são necessárias antes da implementação clínica.