Ensemble Feature Selection and Harris Hawks Optimization for Explainable Mental Health Risk Prediction in Female Sex Workers

Resumo Técnico: Seleção de Atributos em Conjunto e Otimização por Harris Hawks para a Predição Explicável de Risco de Saúde Mental em Trabalhadoras do Sexo

Declaração do Problema
As trabalhadoras do sexo (TS) enfrentam uma carga desproporcional de transtornos de saúde mental, particularmente depressão e transtorno de estresse pós-traumático (TEPT), impulsionados pela violência estrutural, estigma, instabilidade econômica e riscos ocupacionais. Embora o aprendizado de máquina (ML) ofereça potencial para modelar esses desfechos complexos, as abordagens existentes frequentemente lutam contra conjuntos de dados de alta dimensionalidade, não lineares e desbalanceados. Métodos estatísticos tradicionais e classificadores simplistas frequentemente falham em capturar interações intrincadas entre a exposição à violência, variáveis socioeconômicas e indicadores de saúde. Além disso, a falta de uma seleção de atributos integrada, de uma otimização sofisticada e de IA Explicável (XAI) limita a precisão, a estabilidade e a interpretabilidade clínica dos modelos atuais, dificultando a intervenção precoce e o cuidado psicossocial direcionado.

Metodologia
O estudo propõe um framework preditivo híbrido projetado para aumentar tanto o desempenho quanto a interpretabilidade da predição de depressão entre TS. A metodologia segue um pipeline estruturado:

1. Coleta e Pré-processamento de Dados: O modelo utiliza um conjunto de dados transversal baseado na comunidade, composto por 3.005 trabalhadoras do sexo adultas de nove províncias da África do Sul. Os dados brutos incluíam 20 colunas; após o tratamento de valores ausentes (imputação pela média para dados numéricos, remoção para categóricos) e codificação, o conjunto de dados final consistiu em 2.911 observações e 19 atributos. A variável alvo era binária (depressão: sim/não).
2. Seleção de Atributos em Conjunto Híbrida: Para identificar os preditores mais significativos, os autores empregaram uma estratégia de conjunto combinando Análise de Variância (ANOVA) e Informação Mútua (MI). Esta abordagem classificou os atributos por importância, filtrando variáveis menos significativas para criar um conjunto otimizado de 11 atributos. Os principais impulsionadores identificados incluíram desfechos de TEPT, localização, potencial de ganho por cliente e várias formas de abuso (cliente, parceiro íntimo, polícia).
3. Desenvolvimento e Otimização do Modelo: Diversos classificadores foram avaliados, incluindo Floresta Aleatória (RFC), k-Vizinhos Mais Próximos (kNN), Classificador de Vetores de Suporte (SVC), Light Gradient Boosting Machine (LGBM), Redes Neurais Artificiais (ANN) e Regressão Logística (LR). Entre estes, a Regressão Logística foi selecionada como o modelo base. Seus hiperparâmetros foram otimizados usando a Otimização de Harris Hawks (HHO), um algoritmo de inteligência de enxame. A configuração da HHO incluiu um tamanho de população de 30, 50 iterações máximas e um parâmetro de energia de escape ($E_0$) de 2, projetado para pesquisar eficientemente o espaço de parâmetros e lidar com o desbalanceamento de classes.
4. IA Explicável (XAI): Para garantir a aplicabilidade clínica, o estudo integrou o LIME (Explicações Locais Interpretáveis Agnósticas ao Modelo). O LIME foi utilizado para gerar explicações ao nível da instância, esclarecendo como atributos específicos (ex: histórico de trauma, fatores ocupacionais) contribuíram para predições individuais, thereby preenchendo a lacuna entre modelos de "caixa preta" e a confiança clínica.

Principais Contribuições

• Arquitetura Híbrida Inovadora: O artigo introduz um framework unificado que combina seleção de atributos em conjunto (ANOVA + MI) com Regressão Logística ajustada por HHO, aplicado especificamente à predição de saúde mental em populações marginalizadas.
• Aplicação de Inteligência de Enxame: Este trabalho representa a primeira aplicação da Otimização de Harris Hawks para ajustar um modelo de Regressão Logística para a predição de saúde mental em TS, demonstrando desempenho superior aos modelos de base.
• Interpretabilidade Aprimorada: Ao integrar o LIME, o estudo fornece insights transparentos e ao nível da instância, identificando variáveis traumáticas e ocupacionais específicas que impulsionam o risco de depressão, facilitando assim intervenções baseadas em evidências.
• Identificação Robusta de Atributos: O método de seleção em conjunto isolou com sucesso atributos de alto impacto, reduzindo a dimensionalidade enquanto retinha indicadores de risco críticos, como violência relacionada a clientes e histórico de TEPT.

Resultados
O modelo de Regressão Logística otimizado por HHO, utilizando os atributos selecionados em conjunto, alcançou um desempenho de estado da arte no conjunto de teste:

• Acurácia: 95,78%
• F1-Score: 95,77%
• AUC: 0,96
• Precisão: 95,60%
• Recall: 95,95%

Estas métricas superaram todos os modelos de base (incluindo LR padrão, ANN e LGBM) e outras estratégias de otimização (como Grid Search). Especificamente, a abordagem baseada em HHO melhorou o recall em 1,20% e o F1-score em 1,22% em relação à LR via grid-search, o que se traduz em aproximadamente 36 detecções corretas adicionais de depressão na coorte.

A análise LIME confirmou a estabilidade da lógica do modelo, mostrando que os desfechos de TEPT e o abuso por clientes foram os preditores dominantes em 94,3% e 87,1% dos casos, respectivamente. As classificações de importância de atributos do LIME correlacionaram-se fortemente com as classificações globais de ANOVA+MI (Spearman $\rho = 0,91$), validando a consistência do modelo.

Significância e Alegações
Os autores alegam que este trabalho preenche a lacuna entre as abordagens estatísticas convencionais e o aprendizado de máquina avançado para criar uma ferramenta capaz de detecção precoce e suporte direcionado para grupos vulneráveis. A alta precisão e interpretabilidade do modelo o tornam adequado para integração em sistemas de saúde existentes (ex: sistemas baseados em REDCap) para auxiliar Trabalhadores Comunitários de Saúde (TCS) na condução de triagens de risco e encaminhamentos.

O estudo enfatiza que, embora o modelo demonstre alta validade interna através de validação cruzada, sua generalizabilidade externa para outras regiões geográficas ainda precisa ser testada. Os autores posicionam o framework como uma solução leve, capaz de operar em tempo real e sem suporte de nuvem, tornando-o viável para cenários de baixos recursos. O trabalho futuro proposto inclui validação de métodos mistos, avaliação de consciência de equidade e expansão para coortes na África Oriental e no Sul da Ásia para abordar vieses geográficos.