Medication-Aware Financial Exploitation Detection for Alzheimer's Patients Using Edge-Aware Interaction Risk Modeling

Resumo Técnico: Detecção de Exploração Financeira Consciente de Medicação para Pacientes com Alzheimer

Definição do Problema
A exploração financeira representa uma ameaça significativa para indivíduos com doença de Alzheimer, particularmente durante períodos de redução da estabilidade cognitiva. Os sistemas convencionais de detecção de fraude baseiam-se tipicamente apenas em padrões comportamentais financeiros, ignorando fatores clinicamente relevantes que alteram dinamicamente a vulnerabilidade de um paciente. As pesquisas existentes frequentemente tratam a vulnerabilidade como uma condição estática ou focam em ferramentas gerais de cuidado e comunicação, falhando em integrar o contexto clínico dinâmico — especificamente a adesão à medicação — na modelagem de risco ao nível de transação. Consequentemente, a detecção de anomalias padrão pode falhar ao não interpretar a mesma transação de forma distinta com base no estado clínico atual do paciente (por exemplo, se ele perdeu uma dose programada).

Metodologia
O artigo propõe uma estrutura consciente de medicação que sincroniza os registros de adesão à medicação com fluxos de transações financeiras para detectar eventos financeiros de risco cognitivo. A metodologia é estruturada em três camadas: uma camada de percepção para captura de eventos, uma camada de raciocínio para alinhamento de características e uma camada de ação para pontuação de risco.

• Construção do Conjunto de Dados: Um conjunto de dados híbrido simulado foi gerado envolvendo 180 pacientes sintéticos ao longo de 45 dias, resultando em 8.100 registros de medicação e 30.855 transações. A adesão à medicação foi modelada como um evento agendado diário, onde uma dose perdida aciona uma "janela de vulnerabilidade" (com duração de 12 horas). As transações foram geradas usando processos de Poisson específicos de cada paciente, com aumento da atividade de surto e das probabilidades de exploração durante essas janelas de vulnerabilidade.
• Engenharia de Características: Cinco características principais foram extraídas para cada transação:
  1. Anomalia de Valor ($A_i$): Um escore de desvio positivo robusto baseado no gasto mediano específico do paciente.
  2. Novidade do Fornecedor ($V_i$): Indicador binário de se o fornecedor é desconhecido.
  3. Pico de Frequência ($F_i$): Desvio na contagem de transações dentro de uma janela de uma hora.
  4. Desvio de Tempo ($T_i$): Pontuação de risco baseada na hora do dia.
  5. Adesão à Medicação ($M_i$): Indicador binário (1 para tomado, 0 para perdido).
• Modelagem Preditiva: Três formulações de regressão logística foram avaliadas:
  1. Linha de Base Apenas Financeira: Utiliza as características $(A, V, F, T)$.
  2. Aditiva Consciente de Medicação: Adiciona $M_i$ como uma característica direta.
  3. Modelo Consciente de Interação: Mantém as características originais e adiciona termos de interação $(A(1-M), V(1-M), F(1-M), T(1-M))$. Esta formulação testa se a perda de medicação altera a interpretação das anomalias financeiras.
• Avaliação: Os modelos foram treinados em 80% dos pacientes e testados em 20%. O desempenho foi medido usando acurácia, precisão, recall, F1-score, ROC-AUC e Precisão Média (AP). Crucialmente, uma avaliação secundária restringiu o conjunto de teste às transações ocorridas dentro das janelas de vulnerabilidade para avaliar o desempenho em situações de segurança crítica.

Principais Contribuições

1. Inovação de Estrutura: Introdução de uma estrutura de modelagem de risco consciente de medicação que trata a adesão como um modificador contextual do risco financeiro, em vez de um descritor estático do paciente.
2. Síntese de Dados: Construção de um conjunto de dados híbrido sincronizado vinculando eventos de medicação diários com fluxos de transações, modelando explicitamente o acoplamento temporal entre doses perdidas e o aumento do risco de exploração.
3. Comparação de Modelos: Uma análise comparativa de pontuação ponderada interpretável, linhas de base aditivas e modelos conscientes de interação, demonstrando que os termos de interação capturam melhor a hipótese clínica.
4. Avaliação Contextual: Avaliação de desempenho que distingue entre capacidades de detecção global e sensibilidade especificamente dentro das janelas de vulnerabilidade induzidas por medicação.

Resultos

• Desempenho Global: A linha de base apenas financeira alcançou o maior F1-score global (0,5000). O modelo consciente de interação teve um F1 global ligeiramente inferior (0,4826), mas alcançou a maior Precisão Média (0,4476) e recall (0,6407), indicando uma classificação superior de casos de alto risco.
• Desempenho na Janela de Vulnerabilidade: O achado mais significativo ocorreu durante as janelas de medicação perdida. O modelo consciente de interação melhorou o recall de 0,7442 (apenas financeira) para 0,9070, com apenas uma diminuição marginal no F1-score (0,5865 vs. 0,5926). Isso sugere que o modelo identifica com sucesso uma proporção maior de eventos de exploração reais quando o paciente está clinicamente vulnerável.
• Interpretação de Características: A análise de coeficientes revelou que a novidade do fornecedor é o sinal dominante. No entanto, os termos de interação $V(1-M)$ e $A(1-M)$ foram positivos, confirmando que fornecedores desconhecidos e valores anormais tornam-se significativamente mais suspeitos quando a medicação é perdida. A adesão à medicação em si atua como um modificador contextual, em vez de um preditor isolado.

Significância e Alegações
O artigo alega que a adesão à medicação é mais eficaz não como um preditor isolado de fraude, mas como um modificador contextual que altera como as anomalias financeiras devem ser interpretadas. O estudo demonstra que a sincronização de sinais clínicos e financeiros permite uma proteção mais consciente do contexto para indivíduos cognitivamente vulneráveis.

Os autores enfatizam que a estrutura foi projetada para implantação consciente de borda (edge-aware) e sensível à privacidade, convertendo dados brutos em características de risco compactas para evitar a exposição de históricos clínicos ou bancários sensíveis. Eles defendem uma estratégia de proteção em camadas: um detector apenas financeiro para triagem geral, aumentado por um modelo consciente de interação que aumenta a sensibilidade durante janelas de vulnerabilidade específicas. Esta abordagem apoia intervenções graduadas (ex: revisão pelo cuidador) em vez de bloqueios automáticos, preservando a autonomia do paciente enquanto minimiza o risco de exploração não detectada durante períodos críticos.

O artigo declara explicitamente que estas descobertas baseiam-se em validação baseada em simulação e não reivindicam prontidão imediata para implantação clínica ou bancária real. A principal contribuição é a prova de conceito de que a modelagem consciente de interação melhora a detecção sensível à vulnerabilidade em comparação com as linhas de base apenas financeiras ou aditivas.