Do-Calculus Interventions in Predictive Coding Networks: Formal Correspondence, Empirical Validation, and Architectural Prescriptions for Clinical Causal AI

Resumo Técnico: Intervenções de Cálculo-do em Redes de Codificação Preditiva

Definição do Problema
Sistemas de suporte à decisão clínica exigem cada vez mais uma IA capaz de raciocinar sobre as consequências de ações (intervenções), em vez de meramente prever resultados a partir de padrões observacionais históricos. Modelos preditivos padrão treinados em Registros Eletrônicos de Saúde (EHR) frequentemente falham sob implantação prospectiva quando as políticas de tratamento diferem dos dados de treinamento, criando um deslocamento de distribuição entre a distribuição condicional observacional $P(Y|X)$ e a distribuição intervencional $P(Y|do(T=t))$. Embora o cálculo-do de Pearl forneça um arcabouço formal para esse raciocínio, a maioria dos métodos de aprendizado de máquina causal trata o raciocínio intervencional como um problema de estimativa post-hoc aplicado a arquiteturas que carecem de mecanismos internos para representar intervenções. Permanece não testado se arquiteturas neurais específicas, como as redes de Codificação Preditiva (PC), podem suportar nativamente o raciocínio intervencional através de suas dinâmicas internas.

Metodologia
O artigo propõe e valida uma correspondência formal entre a dinâmica das redes de Codificação Preditiva e o cálculo-do de Pearl.

1. Arcabouço Teórico: Os autores derivam a Proposição 1, que postula que, em um Modelo Estrutural Causal (SCM) Gaussiano-Linear, o "clamping rígido" (hard clamping) de um nó de PC (fixando seu estado a um valor $c$) combinado com a supressão do erro de predição ascendente (bottom-up) é informacionalmente equivalente ao operador $do(T=c)$. Essa supressão corta a via de informação do nó fixado para seus ancestrais, mimetizando a cirurgia de grafo do operador do.
2. Arquiteturas:
   • PCNetworkV2: Implementa a Proposição 1 usando uma representação latente compartilhada $z$ que decodifica para covariáveis e desfechos. A predição intervencional envolve o clamping da característica do tratamento e o zeramento da coluna de erro de reconstrução correspondente antes de computar os gradientes latentes.
   • PCNetworkV3: Uma modificação onde o decodificador de desfecho recebe acesso direto à variável de tratamento junto com a representação latente, projetada para lidar com grafos clínicos onde o tratamento possui uma aresta direta para o desfecho.
   • Baseline: Um Perceptron Multicamadas (MLP) padrão treinado com perda MSE serve como o baseline associacional.
3. Benchmarks:
   • SCM de Brinquedo (Toy SCM): Um SCM Gaussiano-Linear de três nós (Diagnóstico $\to$ Sintoma $\to$ Tratamento) para validar a correspondência matemática exata.
   • IHDP (Programa de Saúde e Desenvolvimento Infantil): Um benchmark semi-sintético ($n=747$) com estrutura de covariáveis reais e desfechos contrafatuais reconstruídos para medir o "gap intervencional" (diferença entre o MAE observacional e o intervencional).
   • SCMs Sintéticos: Utilizados para estudos de ablação em diversas topologias (Cadeia, Mediador, Colisor) e forças de confusão.
   • MIMIC-IV: Um benchmark semi-sintético de pequena amostra ($n=140$) com estrutura de covariáveis reais de UTI para testar a recuperação do Efeito Médio do Tratamento (ATE).

Principais Contribuições
O artigo apresenta três contribuições primárias:

1. Teórica: Derivação e validação da Proposição 1, estabelecendo que o clamping de PC com supressão de erro implementa exatamente o operador do em SCMs Gaussianos-Lineares.
2. Empírica: Demonstração de que a PCNetworkV2 alcança uma redução estatisticamente significativa no gap de desempenho intervencional em comparação com o baseline MLP no conjunto de dados IHDP (redução do gap = 0,237 unidades de MAE, $p < 0,0001$). Essa vantagem generaliza-se através das topologias de Cadeia, Mediador e Colisor.
3. Prescritiva: Identificação da dimensão latente como o principal determinante arquitetural da vantagem intervencional. Estudos de ablação mostram que dimensões latentes menores preservam o viés indutivo causal, impedindo que o modelo memorize associações observacionais espúrias. Adicionalmente, mostra-se que a PCNetworkV3 recupera o verdadeiro ATE com erro de 8,3% nos dados do MIMIC-IV ao rotear explicitamente o tratamento para o decodificador de desfecho.

Resultos

• Validação da Proposição 1: No SCM de brinquedo, o clamping de $S=1$ com supressão de erro reproduziu corretamente a distribuição a priori $P(D|do(S=1)) = N(0,1)$, enquanto o condicionamento padrão gerou uma posterior incorreta ($E[D|S=1] \approx 0,640$).
• Gap Intervencional: O baseline MLP exibiu um grande gap intervencional (3,215 unidades de MAE) no IHDP. A PCNetworkV2 reduziu esse gap em 0,237 unidades. Embora a PCNetworkV2 tenha apresentado um MAE observacional maior que o MLP (0,461 vs. 0,106), sua estrutura causal arquitetural forneceu um benefício mensurável em cenários intervencionais.
• Achados de Ablação:
  • Dimensão Latente: A vantagem intervencional é não-monotônica com o tamanho latente; dimensões menores ($d_z=4$) superaram dimensões maiores ($d_z=32$) porque forçaram o modelo a codificar uma representação causal comprimida em vez de correlações espúrias.
  • Topologia: A vantagem foi mais pronunciada em estruturas de Colisor, onde o mecanismo de clamping causal opera com interferência mínima de vias confundidas.
  • Fração de Treinamento: Uma pequena fração de dados de treinamento intervencional (5-10%) melhorou o desempenho, mas frações maiores (25%) interromperam a otimização latente.
• Aplicação Clínica (MIMIC-IV): A PCNetworkV3 recuperou o verdadeiro ATE (1,0) com 8,3% de erro, enquanto a PCNetworkV2 falhou (100% de erro) devido à degenerescência intervencional sem o caminho explícito tratamento-desfecho. O MLP alcançou uma estimativa de ATE quase perfeita (1,5% de erro) via extrapolação associacional, destacando que a estimativa de ATE e o MAE intervencional são métricas distintas.

Significância e Alegações
O artigo afirma que o mecanismo biológico da codificação preditiva — especificamente a separação entre predições top-down e atualizações de erro bottom-up — fornece um substrato natural para o raciocínio causal. O achado fundamental é que a estrutura causal arquitetural (clamping + supressão de erro) confere uma vantagem intervencional genuína e mensurável sobre modelos associacionais padrão, mesmo sem dados de treinamento intervencional explícitos.

Os autores concluem modestamente que, embora as redes de codificação preditiva não estejam definitivamente estabelecidas como a única ou a melhor arquitetura para a IA causal clínica, o mecanismo biológico sobre o qual são construídas possui um "uso não planejado" como um motor de raciocínio causal. O trabalho sugere que, para a generalização intervencional, a capacidade latente deve ser tratada como um "hiperparâmetro causal" (frequentemente favorecendo dimensões menores) em vez de um botão de capacidade a ser maximizado. As descobertas estão atualmente limitadas a SCMs Gaussianos-Lineares teoricamente e conjuntos de dados clínicos tabulares de tamanho modesto empiricamente, sendo necessária pesquisa futura para validar essas alegações em ambientes não-lineares, com alta confusão e em maior escala.