Interventional Flow Matching: Prospective Dose-Response Forecasting with Velocity-Field Jacobian Regularization

Resumo Técnico: Interventional Flow Matching (IFM)

Definição do Problema
O artigo aborda o desafio da previsão intervencional prospectiva no gerenciamento da glicose. Diferente da extrapolação de séries temporais padrão, onde os inputs futuros são observados, o planejamento de tratamento requer a previsão da trajetória fisiológica de um paciente sob uma sequência planejada de inputs de insulina e carboidratos ($U^{int}_{1:H}$).

A dificuldade central reside no confundimento (confounding): em dados observacionais, os drivers futuros (insulina/comida) são determinados por políticas clínicas e pelo comportamento do paciente acoplados ao estado atual. Um modelo puramente preditivo pode aprender correlações espúrias (por exemplo, associar a administração de insulina com o aumento da glicose porque a insulina é frequentemente administrada quando a glicose já está alta) em vez do verdadeiro efeito causal fisiológico. Consequentemente, uma alta precisão em trajetórias observadas não garante respostas corretas a intervenções planejadas. O objetivo é aprender a distribuição intervencional $p(G_{1:H} | X_{1:L}, do(U_{1:H} = U^{int}_{1:H}))$ que respeite as restrições fisiológicas sem depender de equações mecanísticas rígidas.

Metodologia: Interventional Flow Matching (IFM)
O IFM é um framework generativo de tempo contínuo que condiciona um campo de velocidade de flow matching ao histórico do paciente e aos drivers futuros planejados. A arquitetura consiste em três componentes principais:

1. Processamento de Entrada e Representação Latente:

   • Codificação de Histórico: Um codificador Mamba residual resume o histórico observado do paciente ($X_{1:L}$).
   • Suavização de Drivers: Os inputs planejados de insulina e carboidratos passam por um suavizador Farmacocinético (PK) aprendido para modelar efeitos fisiológicos atrasados e distribuídos, convertendo impulsos esparsos em drivers suavizados eficazes ($D_{1:H}$).
   • Espaço Latente: A glicose é mapeada para um espaço latente ilimitado $z$ via uma transformação sigmoide, permitindo que a dinâmica de fluxo opere sem restrições de fronteira, enquanto as previsões decodificadas permanecem dentro dos limites fisiológicos ($[g_{min}, g_{max}]$).

2. Rede de Velocidade Condicional:

   • O modelo utiliza um campo de velocidade escalar $v_\theta$ que transporta a glicose latente ao longo de um tempo de fluxo contínuo $\tau$.
   • A rede é condicionada pelo estado recorrente (histórico) e pelos drivers suavizados via AdaLN (Adaptive Layer Normalization). Isso permite que os drivers planejados modulem diretamente a dinâmica de transporte local.
   • A inferência procede via rollout autorregressivo: o campo de velocidade prevê o próximo estado latente, que atualiza o estado recorrente para o próximo passo de tempo físico.

3. Regularização do Jacobiano do Campo de Velocidade (A Inovação Central):

   • Em vez de impor restrições rigorosas de Equações Diferenciais Ordinárias (ODE) ou usar perdas de ranking baseadas em rollout dispendiosas, o IFM impõe uma regularização livre de solver no campo de velocidade instantâneo.
   • Ele computa o Jacobiano do campo de velocidade em relação aos drivers suavizados.
   • Um termo de penalidade ($L_{jac}$) é aplicado para garantir que essas sensibilidades locais caiam dentro de intervalos fisiológicos com sinal e dose limitados:
     • A sensibilidade à insulina deve ser negativa (reduz a glicose).
     • A sensibilidade aos carboidratos deve ser positiva (eleva a glicose).
     • As magnitudes devem permanecer dentro de limites plausíveis (ex: evitando sensibilidade zero ou valores extremos).
   • Esta penalidade é aplicada ponto a ponto ao campo de velocidade nos estados de fluxo amostrados, evitando o custo computacional de diferenciar através de rollouts de múltiplos passos completos.

Principais Contribuições

1. Respostas Intervencionais Fisiologicamente Válidas: O IFM garante que o modelo aprenda a semântica de intervenção correta (insulina baixa, carboidrato eleva) ao regularizar o campo de velocidade local, em vez de depender apenas do ajuste de trajetórias observacionais.
2. Restrição sem ODEs Mecanísticas: Ao contrário de modelos híbridos que exigem equações diferenciais especificadas à mão ou compartimentos latentes, o IFM utiliza priors direcionais leves, mas confiáveis, impostos via penalidade de Jacobiano, oferecendo uma alternativa mais leve a scaffolds mecanísticos completos.
3. Regularização Livre de Simulação: A penalidade de intervenção é aplicada diretamente às derivadas do campo de velocidade, tornando-a computacionalmente eficiente em comparação com objetivos causais de ranking que exigem simulações completas de trajetória.
4. Melhoria no Equilíbrio Precisão-Intervenção: O framework equilibra a alta precisão de previsão de drivers observados com uma forte validade intervencional.

Resultados Experimentais
O método foi avaliado em um simulador de coorte de Diabetes Tipo 1 (simulador UVA/Padova) com 100 sujeitos virtuais.

• Métricas: O desempenho foi medido por RMSE de driver observado e métricas de resposta intervencional: magnitude de sensibilidade ($S_{ins}, S_{carb}$), consistência direcional estrita ($D_{strict}$) e consistência de ranking estrita ($R_{strict}$).
• Descobertas:
  • O IFM alcançou o equilíbrio mais forte entre precisão observada e validade intervencional.
  • Baselines como LSTM e TCN alcançaram baixo RMSE, mas falharam em produzir respostas intervencionais fisiologicamente corretas (ex: sensibilidades fracas ou invertidas).
  • Baselines mecanísticos/híbridos (ex: Hovorka, BNODE) mostraram resultados mistos; alguns apresentaram alta consistência de ranking, mas fraca sensibilidade à insulina, ou vice-versa.
  • Ablação: Remover a penalidade de Jacobiano ($\lambda_{jac}=0$) resultou no melhor RMSE, mas em uma falha catastrófica na validade intervencional ($D_{strict} \approx 0.48$, $R_{strict} \approx 0.00$), confirmando que a precisão observacional não implica correção causal.
  • Fidelidade: Uma perda de fidelidade subamostrada leve foi necessária para controlar o acúmulo de erro autorregressivo sem sacrificar os benefícios do regularizador de Jacobiano.

Significância e Alegações
O artigo afirma que o IFM fornece um framework robusto para a previsão prospectiva de dose-resposta, onde o objetivo principal não é apenas a precisão da trajetória, mas a previsão de magnitudes de resposta plausíveis, direções de resposta corretas e rankings de dose consistentes.

Os autores enfatizam que a precisão exata da trajetória intervencional é frequentemente inalcançável devido a confundidores não observados (estresse, atividade, variabilidade de absorção). Portanto, a "afirmação de intervenção mais defensável" é a capacidade do modelo de prever a direção e a magnitude relativa da resposta aos tratamentos planejados. O IFM alcança isso separando o aprendizado da dinâmica da glicose (via encoder e modelo de fluxo) do controle da semântica de intervenção (via penalidade de Jacobiano), garantindo que o modelo respeite os priors fisiológicos sem exigir um simulador mecanístico completo. O trabalho sugere que a regularização de nível de resposta local é um complemento viável à previsão de rollout aprendida quando priors direcionais confiáveis estão disponíveis.