Evidence-guided AI regularization for suicidal ideation prediction in pediatric bipolar disorder

Resumo Técnico: Regularização de IA guiada por evidências para a predição de ideação suicida no transtorno bipolar pediátrico

Definição do Problema
Os modelos de predição de suicídio em psiquiatria frequentemente dependem de uma seleção de características puramente orientada por dados. Em amostras clínicas de tamanho modesto, essa abordagem frequentemente resulta em conjuntos de preditores instáveis e modelos clinicamente opacos que falham em integrar o conhecimento de domínio estabelecido. Embora o aprendizado de máquina (especificamente o LASSO) ofereça uma solução para o problema "n-pequeno-p-grande" comum na psiquiatria pediátrica, o LASSO padrão aplica uma penalidade uniforme a todos os coeficientes. Isso trata cada candidato a preditor como igualmente provável de ser irrelevante antes da observação dos dados, ignorando evidências clínicas prévias. Consequentemente, os modelos podem fixar-se em correlações instáveis e específicas da amostra, em vez de domínios de risco clinicamente plausíveis. Além disso, a atribuição manual de pesos de penalidade específicos para cada característica com base na opinião de especialistas é frequentemente inviável, não reprodutível e difícil de escalar.

Metodologia
Os autores desenvolveram o EBAL (Evidence-Based AI LASSO), um framework híbrido que integra evidências clínicas curadas diretamente no processo de regularização de um modelo LASSO. O pipeline consiste em quatro etapas principais:

1. Síntese de Evidências: Foi realizada uma revisão sistemática seguindo as diretrizes Cochrane e PRISMA para construir um corpus de conhecimento de domínio. A busca foi restrita a evidências de nível superior (revisões sistemáticas, metanálises, metanálises de rede, revisões de guarda-chuva e diretrizes de prática clínica) relevantes para a suicidalidade em jovens com transtorno bipolar ou domínios relacionados. Este processo resultou em 40 documentos curados.
2. Geração Aumentada por Recuperação (RAG) para Ponderação: Para traduzir o corpus de evidências não estruturadas em pesos de penalidade numéricos, os autores empregaram um pipeline de LLM de dois modelos utilizando modelos Qwen3 de pesos abertos:
   • Qwen3-Embedding-8B: Utilizado para converter os 40 documentos de evidência em representações vetoriais de alta dimensão e indexá-los em um banco de dados vetorial ChromaDB local.
   • Qwen3-30B-A3B-Thinking: Um modelo de raciocínio de mistura de especialistas (mixture-of-experts) utilizado para atribuir fatores de penalidade específicos para cada característica. Para cada um dos 20 preditores candidatos, o sistema recuperou os três segmentos de texto semanticamente mais relevantes do corpus de evidências. O LLM então avaliou esses segmentos contra uma rubrica de pontuação predefinida (pontuações de 2 a 5) para determinar o fator de penalidade. Uma pontuação de 2 indicava forte evidência ligando o preditor à ideação suicida (penalidade menor), enquanto 5 indicava evidência fraca ou inexistente (penalidade maior).
   • Restrição: O LLM recebeu apenas os nomes dos preditores e os segmentos de evidência recuperados, sem acesso aos dados clínicos de desfecho, garantindo que os pesos fossem derivados exclusivamente de conhecimento prévio.
3. Ajuste do Modelo: Os pesos de penalidade derivados foram utilizados para ajustar um modelo de regressão logística LASSO ponderado. O estudo utilizou dados de linha de base de 136 jovens com diagnóstico confirmado de transtorno do espectro bipolar do Registro de Bipolaridade da Grande Houston. O desfecho primário foi a ideação suicida (binária) e o desfecho secundário foi o comportamento suicida.
4. Avaliação: O desempenho foi avaliado por meio de validação cruzada de exclusão um-a-um (leave-one-out cross-validation - LOOCV) aninhada. O loop interno selecionou a força de regularização ideal ($\lambda$) via validação cruzada de 10 dobras, enquanto o loop externo reteve um participante para teste. O modelo EBAL foi comparado a um LASSO padrão, agnóstico à evidência, com penalidades uniformes. A Técnica de Sobreamostragem de Minorias Sintéticas (SMOTE) foi aplicada apenas aos dados de treinamento para lidar com o desequilíbrio de classes.

Principais Resultados

• Predição de Ideação Suicida:
  • Desempenho do EBAL: Alcançou um AUROC de 0,768 e uma acurácia balanceada de 0,757.
  • Desempenho do LASSO Padrão: Alcançou um AUROC de 0,760 e uma acurácia balanceada de 0,715.
  • Significância Estatística: Embora a diferença no AUROC não tenha sido estatisticamente significativa ($p=0,313$), testes de bootstrap pareados confirmaram que o EBAL superou significativamente o LASSO padrão em acurácia balanceada (+0,042, $p=0,010$) e coeficiente de correlação de Matthews (+0,079, $p=0,010$).
  • Seleção de Características: O EBAL produziu um modelo mais esparso e estável, retendo apenas 11 de 20 preditores, em comparação com 18 para o LASSO padrão. Os três principais preditores positivos retidos pelo EBAL foram humor depressivo atual, duração da doença do transtorno de humor e transtorno de ansiedade generalizada comórbido.
• Predição de Comportamento Suicida:
  • Ambos os modelos operaram próximo ao acaso (AUROC EBAL: 0,594; AUROC LASSO Padrão: 0,592) e falharam em alcançar uma seleção de variáveis significativa (ambos retiveram todos os 20 recursos). Os autores atribuem isso à natureza aguda e dependente de estado do comportamento suicida, que não é bem capturada pelos preditores clínicos estáticos disponíveis no conjunto de dados.

Significância e Alegações
O artigo afirma que o EBAL operacionaliza com sucesso os princípios da medicina baseada em evidências dentro da estrutura de penalidade da regressão regularizada. Ao incorporar evidências clínicas curadas no modelo antes da estimação, o framework produz um conjunto de preditores que é:

1. Clinicamente Coerente: As características retidas alinham-se com vias mecanísticas estabelecidas (ex: sintomas de internalização, cronicidade da doença) em vez de ruído específico da amostra.
2. Esparso e Estável: As penalidades guiadas por evidências filtram efetivamente preditores fracos, reduzindo a complexidade do modelo sem sacrificar (e até melhorando ligeiramente) o desempenho da classificação.
3. Transparente e Reprodutível: O uso de LLMs de pesos abertos e um corpus de evidências rastreável permite a inspeção total do processo de derivação de penalidade. Diferente de modelos proprietários baseados em nuvem, a abordagem de pesos abertos garante que os pesos de penalidade exatos possam ser reproduzidos por outros grupos sem dependência de APIs externas ou mudança nos parâmetros do modelo.

Os autores concluem que, embora o EBAL não tenha melhorado a predição do comportamento suicida (provavelmente devido a limitações nos dados referentes a gatilhos agudos), ele oferece uma estratégia robusta e transparente para alinhar modelos de predição psiquiátrica com o conhecimento clínico prévio, particularmente para desfechos como a ideação suicida, onde os fatores de risco são mais estáveis e bem documentados. O estudo reconhece limitações, incluindo seu desenho transversal, natureza de site único, tamanho de amostra modesto e a falta de uma coorte de validação externa.