Classification of Adolescent Drinking via Behavioral, Biological, and Environmental Features: A Machine Learning Approach with Bias Control

Este estudo propõe o FocalTab, uma abordagem de aprendizado de máquina que integra TabPFN e perda focal com controle de viés para classificar o consumo de álcool em adolescentes usando apenas dados clínicos, alcançando alta precisão e especificidade ao excluir variáveis de confusão como idade e uso de outras substâncias.

O essencial

Imagine que você é um detetive tentando descobrir quem, em uma grande escola, está começando a beber álcool. O problema é que a maioria dos alunos não bebe, e apenas alguns bebem. Além disso, os métodos tradicionais para encontrar esses "bebbedores" têm alguns defeitos graves.

Este artigo é como um manual de instruções para um novo e superinteligente detetive, chamado FocalTab, que foi criado para resolver esses problemas de forma mais justa e precisa.

Aqui está a explicação passo a passo, usando analogias do dia a dia:

1. O Problema: O Detetive Preguiçoso e os Dados Caros

Antes, os pesquisadores tentavam usar duas abordagens principais:

• O Método do Raio-X (Neuroimagem): Eles usavam máquinas de ressonância magnética (MRI) para olhar o cérebro dos adolescentes. É como tentar achar um ladrão usando um scanner de corpo inteiro. O problema? É super caro e difícil de fazer em massa.
• O Método do "Pulo do Gato" (Viés de Idade e Outras Drogas): Quando usavam apenas perguntas simples (dados clínicos), os "detetives" (modelos de computador) ficavam trapaceando. Eles aprendiam a dizer "essa pessoa bebe" só porque ela era mais velha (pois a chance de beber aumenta com a idade) ou porque ela fumava maconha. Era como se o detetive dissesse: "Você tem 18 anos e fuma? Então você bebe!", sem realmente entender o comportamento de beber.

Além disso, havia o problema do desequilíbrio: havia muitos mais alunos que não bebem do que os que bebem. Era como tentar achar uma agulha em um palheiro, mas a agulha era tão rara que o computador ignorava e focava apenas no palheiro.

2. A Solução: O Novo Detetive (FocalTab)

Os autores criaram um novo sistema chamado FocalTab. Pense nele como um detetive muito esperto que usa uma lupa especial e uma lista de regras rigorosas.

Como ele funciona (as 3 regras de ouro):

1. A Regra da "Idade Cega" (Removendo o Viés de Idade):
   Imagine que o computador é um aluno que está aprendendo. Se você deixar ele usar a idade como dica, ele vai preguiçosamente dizer: "Quanto mais velho, mais bebe". O FocalTab é treinado para esquecer a idade. Ele é forçado a olhar para o comportamento real, não para o aniversário da pessoa. Ele "limpa" os dados para que a idade não seja uma pista fácil.

2. A Regra da "Lista de Proibidos" (Removendo Outras Drogas):
   O detetive recebe uma lista de perguntas proibidas. Ele não pode perguntar: "Você fuma?" ou "Você usa maconha?". Por quê? Porque muitas vezes essas coisas estão ligadas ao álcool de forma direta. Se ele usar essas dicas, ele está apenas adivinhando com base em outras drogas, não no álcool em si. Isso força o modelo a encontrar os sinais reais de quem bebe álcool.

3. A Regra da "Agulha no Palheiro" (Focal Loss):
   Como a maioria dos alunos não bebe, o computador tendia a ignorar os poucos que bebem (a minoria). O FocalTab usa uma técnica chamada Focal Loss. Imagine que o computador é um professor dando uma prova. Se ele errar um aluno que não bebe (o comum), ele não se importa muito. Mas se ele errar um aluno que bebe (o raro), ele dá um "soco" na mesa e diz: "Ei! Preste atenção aqui! Esse é o caso difícil!". Isso força o modelo a aprender muito bem a identificar os poucos bebedores, sem ignorá-los.

3. O Resultado: O Detetive Acertou!

Quando testaram esse novo detetive contra os antigos:

• Os modelos antigos, quando tiraram as dicas fáceis (idade e outras drogas), quase pararam de funcionar. Eles começavam a achar que ninguém bebia (especificidade baixa).
• O FocalTab, mesmo sem as dicas fáceis, continuou acertando muito bem! Ele conseguiu identificar corretamente quem bebe e quem não bebe, mesmo em um grupo onde a maioria não bebe.

4. O Que o Detetive Aprendeu? (Os Sinais Reais)

Depois de treinar o modelo, os pesquisadores perguntaram: "O que você usou para decidir?". O FocalTab revelou que os sinais reais não eram a idade, mas sim coisas como:

• O que eles esperam do álcool: Se o adolescente acha que beber vai deixá-lo mais popular, mais engraçado ou mais inteligente (crenças sobre o álcool).
• Saúde Mental: Se eles têm ansiedade, pânico ou estresse pós-traumático (muitas vezes usam o álcool para se "automedicar").
• Rotina e Amigos: Se eles têm dificuldade em fazer amigos, se dormem mal, se têm lugares para ir à noite sem supervisão e como gastam o dinheiro de bolso.

Resumo Final

Este estudo é como um upgrade para a segurança escolar. Em vez de usar equipamentos caros ou dicas óbvias (como idade), eles criaram um sistema inteligente que olha para o comportamento real, a saúde mental e a rotina do adolescente.

Isso é importante porque permite que escolas e médicos identifiquem os jovens em risco de forma mais cedo e precisa, usando apenas perguntas simples, sem precisar de exames caros ou de "adivinhação" baseada na idade. É um passo gigante para ajudar os adolescentes antes que o problema cresça.

Resumo técnico

1. O Problema

O consumo de álcool por adolescentes é um problema de saúde pública significativo, associado a déficits no neurodesenvolvimento, transtornos mentais e maior risco de desenvolver Transtorno por Uso de Álcool (AUD) na vida adulta. Embora existam estudos anteriores utilizando aprendizado de máquina (ML) para classificar o uso de álcool, eles enfrentam várias limitações críticas:

• Dependência de Neuroimagem: Muitos estudos dependem de dados de ressonância magnética (MRI/fMRI), que são caros, difíceis de obter em larga escala e limitam a diversidade das amostras.
• Viés de Idade: O uso de álcool aumenta com a idade. Modelos treinados sem controle adequado tendem a aprender padrões relacionados ao desenvolvimento (idade) em vez de sinais específicos do comportamento de beber, inflando artificialmente a precisão.
• Viés de Uso de Substâncias: A inclusão de variáveis de outras drogas (tabaco, cannabis) como preditores pode criar "vazamento de dados" (data leakage), já que o uso de álcool frequentemente precede ou co-ocorre com outras substâncias, mascarando os fatores de risco independentes.
• Desequilíbrio de Classes: Os conjuntos de dados típicos têm muitos mais não-bebedores do que bebedores. Técnicas tradicionais de reamostragem (como SMOTE) podem introduzir ruído ou distorcer a distribuição real dos dados.
• Generalização: A maioria dos estudos foca em faixas etárias específicas ou adultos, limitando a aplicabilidade para a população adolescente ampla (12-22 anos).

2. Metodologia

Os autores propõem um novo framework chamado FocalTab, que utiliza exclusivamente dados clínicos (comportamentais, biológicos e ambientais) para classificar adolescentes como bebedores ou não-bebedores.

Dados e Pré-processamento

• Fonte de Dados: Estudo NCANDA (National Consortium on Alcohol and Neurodevelopment in Adolescence), com 801 participantes (661 não-bebedores, 140 bebedores) na faixa etária de 12 a 22 anos.
• Seleção de Características: Foram utilizados 167 recursos iniciais (demografia, personalidade, sintomas psiquiátricos, ambiente familiar/escolar, etc.).
• Controle de Confundidores:
  • Exclusão de Substâncias: Variáveis relacionadas ao uso de outras drogas foram removidas para evitar viés.
  • Regressão de Idade: Variáveis altamente correlacionadas com a idade (|ρ| > 0.3) foram residualizadas (regressão linear/logística) para remover a variância explicada pela idade, e a variável "idade" foi removida do conjunto de características final.

Arquitetura do Modelo (FocalTab)

• Base: Utiliza o TabPFN (Tabular Prior-Data Fitted Network), um modelo de fundação (foundation model) baseado em transformadores que realiza aprendizado "in-context" (sem necessidade de treinamento iterativo pesado em cada novo conjunto de dados).
• Função de Perda: Implementação de Focal Loss em vez da perda de entropia cruzada padrão. O Focal Loss reduz o peso das amostras fáceis de classificar (a maioria, não-bebedores) e foca o treinamento nas amostras difíceis (minoridade, bebedores), abordando o desequilíbrio de classes de forma algorítmica.
• Validação: Divisão em 5 dobras (5-fold CV) com conjuntos de treino, validação e teste estritamente separados.

Estratégias de Comparação

O modelo foi comparado com:

1. Regressão Logística, Random Forest e MLP (Perceptron Multicamadas).
2. Variações de tratamento de desequilíbrio: SMOTE (oversampling sintético), subamostragem (undersampling) e Focal Loss.
3. Variações de seleção de variáveis: Com/Sem idade, Com/Sem substâncias.

3. Principais Contribuições

1. Framework FocalTab: Integração bem-sucedida de TabPFN com Focal Loss para lidar com dados tabulares clínicos desbalanceados.
2. Abordagem Livre de Neuroimagem: Demonstra que é possível alcançar alta precisão usando apenas dados clínicos acessíveis e escaláveis, eliminando a barreira de custo do MRI.
3. Controle Rigoroso de Viés: Implementação de um pipeline que remove explicitamente o viés de idade e o viés de uso de outras substâncias, garantindo que o modelo aprenda sinais reais de consumo de álcool e não apenas correlatos de desenvolvimento.
4. Amplitude Etária: Inclusão de uma faixa etária ampla (12-22 anos), cobrindo desde a adolescência precoce até a vida adulta jovem.
5. Interpretabilidade: Uso de SHAP (SHapley Additive exPlanations) para identificar os preditores clínicos mais importantes.

4. Resultados

O desempenho foi avaliado sob condições rigorosas (sem variáveis de idade e sem variáveis de outras substâncias):

• Desempenho Superior: O FocalTab alcançou a melhor performance geral:
  • Acurácia: 84,3%
  • Especificidade: 80,0% (capacidade de identificar corretamente não-bebedores).
  • Sensibilidade: 80,0%
  • AUC (ROC): 0,902.
• Comparação com Outros Modelos: Sob as mesmas condições rigorosas, os modelos concorrentes (Random Forest, MLP, TabPFN padrão) colapsaram, com especificidade caindo para níveis próximos ao acaso (12% - 24%). Isso indica que os modelos tradicionais dependiam fortemente de variáveis de idade e substâncias para funcionar.
• Impacto do Focal Loss: O uso de Focal Loss no FocalTab superou significativamente as técnicas de reamostragem como SMOTE. O SMOTE piorou o desempenho do TabPFN (reduzindo a especificidade para 10,7%), enquanto o Focal Loss manteve o equilíbrio entre sensibilidade e especificidade.
• Análise SHAP (Interpretabilidade): Os 10 preditores mais importantes identificados foram:
  1. Expectativas de Álcool: Crenças sobre efeitos sociais, sexuais e cognitivos do álcool.
  2. Sintomas Psiquiátricos: Pânico, TOC e TEPT.
  3. Características de Estilo de Vida: Padrões de sono, facilidade de fazer amigos, atividades noturnas e hábitos de gastos financeiros.

5. Significado e Conclusão

Este estudo demonstra que é possível desenvolver sistemas de triagem robustos e generalizáveis para o consumo de álcool em adolescentes utilizando apenas dados clínicos rotineiros. A principal inovação reside na capacidade do modelo de FocalTab de manter alta especificidade mesmo quando os principais "atalhos" de classificação (idade e uso de outras drogas) são removidos.

Isso sugere que existem padrões comportamentais e psicológicos intrínsecos (como expectativas sobre o álcool, saúde mental e rotina social) que são preditores reais do início do consumo, independentes do desenvolvimento etário. A abordagem proposta oferece uma ferramenta viável para intervenções precoces em larga escala, sem a necessidade de equipamentos caros de neuroimagem, e estabelece um novo padrão metodológico para evitar viés de confusão em estudos de ML na área de saúde mental adolescente.