Auditable cross-instrument detection of unusual multivariate psychiatric response configurations using a semantically aligned covariance subspace

Resumo Técnico: Detecção Auditável de Configurações de Resposta Psiquiátrica Multivariada Incomuns entre Diferentes Instrumentos

Definição do Problema
A triagem psiquiátrica convencional baseia-se na análise de instrumentos individualmente, resumindo sintomas por meio de escores totais aditivos dentro de escalas específicas (ex: depressão, ansiedade, estresse). Esta abordagem trata os itens como independentes dentro dos instrumentos e ignora a estrutura de covariância entre diferentes instrumentos. Consequentemente, falha em detectar respondentes cujos perfis de sintomas estão distribuídos em múltiplos domínios em combinações incomuns que permanecem abaixo do limiar diagnóstico em cada escala individual. Embora modelos dimensionais e transdiagnósticos sugiram que a heterogeneidade de sintomas e as estruturas transdiagnósticas são clinicamente significativas, a prática rotineira carece de um arcabouço para analisar esses espaços de resposta conjuntos, particularmente quando os instrumentos diferem em redação, formatos de resposta e limites construtuais.

Metodologia
Os autores propõem um pipeline para detectar casos "pan-leves" (pan-mild) — respondentes com intensidade de resposta de baixa a moderada distribuída por múltiplos domínios que escapam à lógica de valores extremos de um único instrumento. A metodologia consiste nas seguintes etapas:

1. Alinhamento Semântico: Os enunciados dos itens de instrumentos heterogêneos (depressão, estresse, ansiedade, sono) são incorporados em um espaço semântico compartilhado usando um codificador de sentenças pré-treinado (especificamente bge-m3, com verificações de sensibilidade usando all-mpnet-base-v2 e bge-large-en-v1.5). Isso cria um vetor de 1024 dimensões para cada item, estabelecendo um quadro de coordenadas comum baseado na proximidade semântica em vez de mapeamento manual.
2. Redução de Dimensionalidade (PCA): A Análise de Componentes Principais (PCA) é realizada exclusamente sobre a matriz de incorporação (embedding) dos enunciados dos itens, sem utilizar dados de respondentes. A dimensionalidade do subespaço ($D$) é selecionada como o número mínimo de componentes necessários para explicar 80% da variância nas incorporações semânticas. Isso gera uma matriz de pesos ($W_D$) que representa a estrutura semântica do espaço das perguntas.
   • Para a coorte de adultos mais velhos do Health and Retirement Study (HRS) (27 itens), $D=10$.
   • Para a coorte de adultos jovens de Xinxiang (37 itens), $D=16$.
3. Projeção do Respondente: Vetores de resposta dos participantes ($X$) normalizados são projetados no subespaço semântico pré-definido via multiplicação linear ($Z = XW_D$). Variáveis demográficas (idade, sexo) são residualizadas dessas coordenadas.
4. Quantificação de Desvio Multivariado: A distância de Mahalanobis é calculada para cada respondente em relação à média da coorte no subespaço retido. Para lidar com a instabilidade em dimensões moderadas a altas, a matriz de covariância é regularizada usando o estimador de encolhimento (shrinkage) de Ledoit-Wolf.
5. Definição de Outlier e Auditoria:
   • Candidatos a outliers são definidos pelo percentil 95 empírico da distribuição de distância de Mahalanobis específica da coorte (evitando suposições assintóticas de $\chi^2$ para dados discretos limitados).
   • Camada de Auditoria Crucial: Para isolar casos invisíveis à triagem convencional, a análise exclui qualquer respondente que tenha endossado qualquer item individual no valor máximo de sua escala Likert em qualquer instrumento. Isso garante que os outliers retidos sejam "sub-teto" (sub-ceiling) em todas as dimensões.
6. Interpretabilidade: Os escores de componentes anômalos são rastreados de volta às suas cargas (loadings) originais de itens para interpretar as configurações de resposta específicas que impulsionam o status de outlier.

Resultos Principais
O estudo analisou duas coortes distintas: a HRS ($N=4.413$, adultos mais velhos) e a amostra de Xinxiang ($N=24.292$, adultos jovens).

• Estabilidade: Uma análise de estabilidade baseada em Jaccard confirmou que as dimensionalidades selecionadas ($D=10$ e $D=16$) forneceram representações estáveis da estrutura semântica cross-instrumento.
• Detecção de Casos Pan-Leves: Após a auditoria rigorosa de teto, exatamente sete respondentes permaneceram como outliers multivariados em cada coorte (0,159% da HRS; 0,029% de Xinxiang). Esses casos não foram sinalizados por nenhum escore aditivo de instrumento único.
• Contrastes Geométricos:
  • HRS (Adultos Mais Velhos): Os outliers foram caracterizados pelo endosso fraco de itens rotulados por humor (tristeza, solidão) ocorrendo simultaneamente com respostas não nulas em itens relacionados ao corpo (tremores, fraqueza) e ao sono.
  • Xinxiang (Adultos Jovens): Os outliers exibiram coocorrências seletivas incomuns, como itens relacionados à autolesão aparecendo sem o padrão mais amplo de inquietude ou dificuldades de concentração tipicamente associados a eles, ou configurações incompletas abrangendo humor, sono e estresse.
• Comparação com Métodos Não Lineares: Quando comparado à Aproximação e Projeção de Manifold Uniforme (UMAP) aplicada aos dados brutos, o pipeline de PCA semântico identificou um conjunto distinto de outliers. O UMAP tendeu a sinalizar aglomerados de fronteira extremos, enquanto a abordagem de covariância semântica identificou anomalias estruturais "intersticiais" distribuídas dentro do manifold.
• Robustez do Codificador: A sobreposição de Jaccard pareada dos conjuntos de outliers entre diferentes modelos de incorporação foi significativamente maior do que o acaso (nulo hipergeométrico), indicando a detecção de um sinal estrutural consistente, apesar das variações no codificador semântico específico.

Significância e Alegações
O artigo alega fornecer uma ferramenta prática e auditável para sinalizar configurações de resposta multivariada incomuns que a triagem por instrumento único perde. Suas principais contribuições são:

1. Inovação Metodológica: Introduz um subespaço de covariância semanticamente alinhado que permite a análise conjunta de instrumentos psiquiátricos heterogêneos sem a necessidade de correspondência manual de itens.
2. Insight Geométrico: Demonstra que existe um pequeno e coerente conjunto de respondentes cujas configurações de resposta são "invisíveis" à triagem escalar, mas geometricamente distintas em um espaço semântico compartilhado.
3. Interpretabilidade: O método é totalmente interpretável ao nível das contribuições dos itens originais, evitando a natureza de "caixa preta" de muitas abordagens de aprendizagem profunda.

Limitações e Escopo
Os autores declaram explicitamente que esta ferramenta não é um instrumento de diagnóstico e não estabelece validade de desfecho.

• É uma triagem geradora de hipóteses destinada a sinalizar casos para avaliação clínica posterior.
• A análise é transversal; a validação prospectiva em relação ao fato de essas configurações preverem o início de transtornos, declínio funcional ou busca por ajuda é necessária.
• A ferramenta detecta atipicidade estatística, que pode refletir configurações clinicamente significativas, estilos de relato idiossincráticos ou estruturas de medição específicas da coorte.
• A abordagem prioriza a auditabilidade e a interpretabilidade linear sobre o potencial expressivo de manifolds não lineares, reconhecendo que os perfis psicológicos podem habitar espaços mais complexos.

Em resumo, o artigo argumenta que, embora a triagem aditiva seja útil, ela é incompleta. Ao mudar a questão de "A pessoa é grave em uma escala?" para "A configuração total da pessoa é incomumente estruturada em relação à sua coorte?", este método traz à tona uma classe residual de casos que exigem atenção clínica, mas que são atualmente negligenciados.