Probabilistic Risk Stratification and Transition-Sensitive Explainability for Attorney Involvement in Workers' Compensation Claims

Resumo Técnico: Estratificação de Risco Probabilística e Explicabilidade Sensível à Transição para o Envolvimento de Advogados em Reclamações de Acidentes de Trabalho

Definição do Problema
O envolvimento de advogados em reclamações de acidentes de trabalho é um desafio operacional crítico, consistentemente associado ao aumento dos tempos de resolução, custos mais elevados e complexidade administrativa. Pesquisas anteriores trataram predominantemente o envolvimento jurídico como um resultado binário (envolvimento vs. não envolvimento) e basearam-se em análises estatísticas retrospectivas que assumem um mecanismo de escalonamento uniforme em todas as reclamações. Esse enquadramento binário falha em capturar a natureza heterogênea da evolução das reclamações e oferece orientação limitada para a priorização operacional. Além disso, as aplicações existentes de aprendizado de máquina neste domínio frequentemente priorizam a precisão da classificação em detrimento da confiabilidade das estimativas de probabilidade, negligenciando a necessidade de pontuações de risco bem calibradas que possam suportar estratégias de ranking contínuo e intervenção precoce.

Metodologia
O estudo propõe um framework analítico integrado que modela o envolvimento de advogados como um processo de risco probabilístico, em vez de uma tarefa de classificação fixa. A metodologia percorre as seguintes etapas:

1. Construção de Dados e Coorte: A análise utiliza o banco de dados Structured and Textual Records for Injury Data Exploration (STRIDE), focando em uma coorte filtrada de 48.130 reclamações com perda de tempo (excluindo reclamações apenas médicas), provenientes de 32 estados. Para garantir a validade prospectiva e evitar o vazamento de dados (target leakage), o modelo utiliza apenas variáveis disponíveis no início do ciclo de vida da reclamação (ex: descritores de lesão, demografia, jurisdição, dados salariais iniciais), excluindo explicitamente variáveis pós-escalonamento, como identificadores jurídicos, custos finais e datas de encerramento.
2. Modelagem Probabilística: Um classificador CatBoost é empregado como o principal framework de modelagem devido ao seu tratamento nativo de variáveis categóricas e capacidades de ordered boosting. O modelo é treinado para gerar estimativas de probabilidade contínua de envolvimento de advogados, em vez de rótulos de classe binários. O ajuste de hiperparâmetros é realizado via validação cruzada estratificada de cinco dobras no conjunto de treinamento, otimizando o ROC-AUC.
3. Avaliação do Modelo: O desempenho é avaliado em um conjunto de teste mantido à parte utilizando métricas de discriminação (ROC-AUC, PR-AUC) e métricas de calibração (Brier score, Expected Calibration Error - ECE). Isso garante que as probabilidades previstas sejam não apenas consistentes em termos de ranking, mas também estimativas estatisticamente confiáveis de frequência de risco.
4. Estratificação de Risco: Em vez de aplicar um limiar de decisão fixo, as reclamações são particionadas em três regimes de risco baseados na posição de ranking: Baixo risco (os 20% inferiores), Médio risco (os 60% centrais) e Alto risco (os 20% superiores). Esses regimes servem como estratos analíticos para investigar como os mecanismos de risco variam através do espectro.
5. Framework de Explicabilidade:
   • Explicabilidade Global: Valores SHAP (Shapley Additive Explanations) são computados para identificar a importância global das variáveis. A robustez é verificada através de comparações entre modelos com XGBoost, Random Forest, Extra Trees e Árvores de Decisão.
   • Explicabilidade Condicionada ao Regime: A análise SHAP é conduzida separadamente dentro de cada regime de risco para descobrir como as contribuições das variáveis (magnitude e direção) variam entre os grupos de baixo, médio e alto risco.
   • Análise Orientada à Transição: Um framework de sensibilidade de fronteira distingue entre reclamações "fronteiriças" (aquelas próximas aos limites dos regimes) e reclamações "estáveis" (aquelas situadas profundamente dentro de um regime). Ao comparar os valores SHAP entre esses grupos, o estudo identifica as variáveis que impulsionam as transições entre níveis de risco (ex: Baixo $\to$ Médio, Médio $\to$ Alto, e desescalonamento Médio $\to$ Baixo).

Principais Resultados

• Desempenho do Modelo: O modelo CatBoost demonstra forte discriminação (ROC-AUC de teste: 0,7540; PR-AUC: 0,7148) e excelente calibração (Brier score: 0,1988; ECE: 0,0114), confirmando que as saídas de probabilidade são confiáveis para o ranking de risco.
• Impulsionadores Globais: Os preditores mais influentes identificados globalmente incluem age_at_hire (idade na contratação), injury_severity (severidade da lesão), age_at_injury (idade na lesão), bdyprt_desc (descrição da parte do corpo) e juris_st (jurisdição estadual). A análise entre modelos confirma que esses rankings são estáveis em diferentes algoritmos de árvore.
• Efeitos Heterogêneos das Variáveis: A análise condicionada ao regime revela que os efeitos das variáveis não são uniformes. Por exemplo, a injury_severity atua como um contribuidor negativo (redução de risco) no regime de baixo risco, torna-se neutra no regime de médio risco e torna-se um forte impulsionador positivo (aumento de risco) no regime de alto risco.
• Dinâmicas de Transição: A análise de fronteira revela mecanismos assimétricos de escalonamento e desescalonamento de risco:
  • Transição Baixo $\to$ Médio: Impulsionada principalmente por juris_st (jurisdição) e injury_severity, onde as reclamações de fronteira exibem contribuições redutoras de risco mais fracas em comparação com as reclamações estáveis de baixo risco.
  • Transição Médio $\to$ Alto: Dominada por injury_severity e juris_st, onde as reclamações de fronteira mostram uma mudança distinta para contribuições positivas destas variáveis clínicas e institucionais.
  • Transição Médio $\to$ Baixo (Desescalonamento): Caracterizada por uma redução ampla nas contribuições de risco em múltiplas variáveis (incluindo parte do corpo e variáveis de tempo de serviço), frequentemente envolvendo reversões de sinal, em vez de um único impulsionador dominante.
• Distribuição de Erros: A classificação incorreta não é uniforme; o regime de médio risco contém a maior concentração tanto de falsos positivos quanto de falsos negativos, indicando que ele funciona como um corredor de transição com maior incerteza estrutural.

Significância e Contribuições
O artigo reivindica cinco contribuições primárias para o campo da análise de acidentes de trabalho e aprendizado de máquina:

1. Reenquadramento do Problema: Ele altera a perspectiva do envolvimento de advogados de um problema de classificação binária para um problema de ranking probabilístico alinhado às necessidades de tomada de decisão operacional.
2. Rigor Probabilístico: Incorpora calibração de modelo e avaliação probabilística (Brier score, ECE) para garantir que as pontuações de risco sejam estimativas confiáveis de probabilidade de escalonamento, não apenas classificadores de ordem.
3. Validação Robusta de Variáveis: Verifica a estabilidade dos principais preditores através de múltiplos algoritmos de aprendizado, confirmando que os impulsionadores identificados são estruturais e não artefatos específicos do modelo.
4. Explicabilidade Estratificada por Risco: Introduz um framework para analisar valores SHAP dentro de regimes de risco específicos, revelando que os impulsionadores de escalonamento mudam dependendo do estágio do risco (ex: a severidade da lesão importa de forma diferente em reclamações de alto vs. baixo risco).
5. Análise Focada em Fronteiras: Fornece uma análise de transição orientada de forma inovadora para reclamações próximas aos limites dos regimes, demonstrando que o escalonamento e o desescalonamento seguem mecanismos assimétricos. Isso oferece uma compreensão mais matizada de como as reclamações se movem através do espectro de risco em comparação com resumos globais estáticos.

O estudo conclui que modelar o litígio como um processo de risco probabilístico com zonas de transição identificáveis fornece uma visão estruturada do envolvimento de advogados, oferecendo insights acionáveis para intervenção direcionada e alocação de recursos em sistemas de acidentes de trabalho.