Testing the limits of past-adapted explanations by post-endpoint randomisation: anticipatory EEG as a worked case

Resumo Técnico: Testando os Limites de Explicações Adaptadas ao Passado por meio da Randomização Pós-Endpoint

Definição do Problema
Na neurociência antecipatória, particularmente em relação a sinais de EEG como a Variação Negativa Contingente (CNV), pesquisadores tipicamente explicam a atividade cerebral pré-evento usando informações "adaptadas ao passado": tempo decorrido, probabilidade do estímulo (cue), perigo condicional, excitação (arousal) e histórico de tentativas disponíveis antes que o evento ocorra. Embora modelos preditivos possam ajustar dados usando esses fatores, um "ajuste" (fit) não estabelece "suficiência". O problema central é distinguir se esses fatores adaptados ao passado esgotam a variação sistemática em um endpoint comprometido ou se resta uma variação sistemática não explicada que pode ser ordenada por informações ainda não disponíveis no momento da medição. Medidas padrão de bondade de ajuste não conseguem resolver isso; elas deixam aberta a possibilidade de que o passado explique os dados meramente por acaso ou sobreajuste (overfitting), sem provar que nenhuma informação dependente do futuro é necessária.

Metodologia: Inferência Baseada em Desenho de Nível II-A
O artigo introduz o Nível II-A, uma estrutura de inferência baseada em desenho que testa a distinção entre ajuste e suficiência usando a randomização pós-endpoint. A metodologia baseia-se em um limite temporal estrito e em uma série de condições operacionais e estatísticas:

1. Comprometimento do Endpoint: Um endpoint de tentativa única (ex: uma amplitude de tipo CNV) é computado e "travado" no tempo $t_1$ usando apenas informações disponíveis até aquele momento ($F_{t_1}$). Isso inclui o uso de um comparador "apenas para frente" (um preditor cego ao rótulo) para remover a estrutura antecipatória registrada, deixando um "resíduo congelado".
2. Randomização Pós-Comprometimento: Somente após o endpoint ser fixado é que o sistema atribui um atraso ($\tau_L$) ao evento imperativo. Esse atraso é extraído de uma lei de randomização declarada baseada em estratos de pré-atribuição, mas é estritamente ocultado da construção do endpoint e do ajuste do comparador.
3. A Hipótese Nula: Sob a "factorização adaptada ao passado", o atraso atribuído (um rótulo futuro) deve ser estatisticamente independente do endpoint já comprometido ou do resíduo congelado. Formalmente, $P(\tau_L \in D | F_{t_1}) = P_{sch}(D | R_j)$. Se a classe adaptada ao passado for suficiente, o atraso atribuído não pode ordenar sistematicamente o endpoint.
4. Condições de Validade: A estrutura requer:
   • (R1) Agendador Operacional: O atraso é gerado e ocultado após o comprometimento.
   • (R2) Integridade Temporal: Nenhum dado pós-$t_1$ (ex: filtragem de fase zero) vaza para o endpoint ou para o comparador.
   • (R3) Integridade da Amostra Retida: Os processos de seleção (entrega, rejeição de artefatos, inclusão) não devem induzir uma dependência entre o atraso e o endpoint (neutralidade de atraso).
5. Arquitetura de Decisão: O classificador é não-compensatório e segue uma hierarquia estrita:
   • Auditorias: Verificações de vazamento temporal, conformidade de entrega e integridade do agendador.
   • Qualificações: Verificações de viés de seleção (diagnósticos de colisor), estimabilidade do participante e validade de rota (isolamento de atribuição vs. e-valor sequencial).
   • Inferência: Testa por uma inclinação negativa material ($\beta_\tau < 0$) usando calibração específica de rota (testes de randomização ou e-valores de martingale) e um limiar de magnitude ($\beta_{min}$) derivado de um piso de resolução cego ao rótulo.
   • Resultados: O sistema classifica os resultados em: Suporte de Desvio Negativo (evidência de insuficiência), Adequação Apenas para Frente (nulo afirmativo), Falha Diagnóstica, Limitado por Seleção, Direção Oposta ou Inconclusivo.

Principais Contribuições

• Estrutura de Nível II-A: Uma nova estrutura inferencial que transforma a suposição "o passado explica isso" em uma afirmação testável e qualificada por magnitude. Ela desloca o ônus da prova de "mostrar um ajuste" para "excluir o ordenamento dependente do futuro".
• Sonda de Randomização Pós-Endpoint: O uso de um atraso atribuído após a medição como um controle negativo. Isso cria um "teste de fronteira" onde qualquer ordenamento sistemático pelo atraso implica uma falha da classe adaptada ao passado.
• Nulo Afirmativo Qualificado por Magnitude: O artigo define um resultado de "adequação apenas para frente" não como uma simples não-rejeição, mas como uma conclusão delimitada. Requer que a pipeline de análise seja sensível para detectar uma magnitude específica de efeito (determinada por taxas de falsa-adequação calibradas por simulação) e não encontre tal efeito.
• Benchmarking Sintético: Os autores fornecem uma pipeline de benchmark totalmente especificada e de código aberto (benchmark de randomização pós-endpoint de Nível II-A) com 1200 conjuntos de dados simulados por cenário. Isso valida a capacidade da pipeline de controlar o falso suporte, recuperar sinais injetados e identificar corretamente falhas operacionais (vazamento, viés de seleção, efeitos de colisor).

Resultados
O artigo apresenta resultados exclusivamente de dados sintéticos; nenhum dado de EEG humano é analisado. O benchmark sintético valida a pipeline contra sete famílias de cenários:

• Nulo Limpo: Sob um gerador puramente "apenas para frente", a pipeline produziu 0/1200 resultados suportados (taxa de falso suporte = 0.000). Classificou 89,4% como "Adequação Apenas para Frente" e 9,8% como "Inconclusivo" (devido a limites de resolução), demonstrando controle estrito de falsos positivos enquanto reconhece custos de informação.
• Sinal Injetado: Quando uma inclinação negativa material ($-60 \mu V s^{-1}$) foi injetada, a pipeline a suportou em 99,1% dos casos com 0% de resultados de falsa-adequação.
• Modos de Falha:
  • Vazamento Temporal: 100% dos conjuntos de dados com vazamento pós-endpoint foram corretamente classificados como "Falha Diagnóstica".
  • Viés de Seleção: Cenários com viés de seleção padrão ou induzido por colisor foram corretamente roteados para resultados de "Limitado por Seleção" (99,7% e 99,9%, respectivamente), impedindo o falso suporte.
  • Direção Oposta: Injeções positivas foram corretamente classificadas como "Desvios de Direção Oposta" (99,3%), bloqueando sua interpretação como suporte para a hipótese negativa.
• Limites de Resolução: O benchmark estabeleceu fronteiras de falsa-adequação para o nulo afirmativo: 15 $\mu V s^{-1}$ para a rota de isolamento de atribuição e 30 $\mu V s^{-1}$ para a rota de e-valor sequencial. Abaixo dessas magnitudes, a pipeline não consegue distinguir confiavelmente um nulo limpo de um pequeno desvio sistemático.

Significância e Alegações
O artigo alega fornecer uma fronteira metodológica em vez de uma descoberta biológica. Sua significância reside em:

1. Exclusão Rigorosa: Oferece uma maneira de testar se uma classe de modelos adaptados ao passado é suficiente para explicar um endpoint comprometido, indo além do mero ajuste de modelo.
2. Neutralidade de Mecanismo: Um "Suporte de Desvio Negativo" indica que a classe adaptada ao passado é insuficiente, mas não identifica o mecanismo (ex: não prova "precognição" ou um substrato físico específico). Simplesmente estabelece que os fatores declarados adaptados ao passado não esgotam a variação.
3. Nulos Calibrados: Fornece uma estrutura para "evidência de ausência" que é calibrada pela sensibilidade da pipeline (taxa de falsa-adequação), transformando a "ausência de evidência" em uma "conclusão afirmativa delimitada".
4. Generalização: Embora ilustrado com EEG antecipatório, os autores afirmam que o desenho é generalizável para qualquer domínio, aplicável a qualquer cenário onde uma estatística é irrevogavelmente comprometida antes que um rótulo exógeno seja gerado (ex: previsões, ensaios clínicos, sistemas de decisão algorítmica).

Os autores declaram explicitamente que nenhuma decisão empírica é tomada neste artigo; o trabalho fixa a regra pela qual tais decisões poderiam ser tomadas e demonstra, via dados sintéticos, que a regra se comporta conforme declarado. A estrutura requer replicação independente (Nível II-B) para passar de uma rejeição de classe para uma teoria mecanística substantiva.