A Closed-Loop Framework for Knowledge-Based Causal Model Refinement Using Process Mining and Human-AI Governance

Resumo Técnico: Uma Estrutura de Ciclo Fechado para o Refinamento de Modelos Causais Baseados em Conhecimento

Problema
Na inferência causal epidemiológica, os Grafos Acíclicos Dirigidos (DAGs) são essenciais para codificar suposições sobre relações causais e orientar a análise estatística. No entanto, os DAGs tradicionais baseados em conhecimento dependem fortemente da opinião de especialistas e da literatura, carecendo frequentemente de validação empírica. Isso leva à incerteza nas estruturas causais, particularmente em doenças crônicas complexas caracterizadas por riscos competitivos, dinâmicas temporais e múltiplas condições interativas. Tal incerteza pode enviesar a estimativa de efeitos, independentemente da robustez do método estatístico utilizado. Por outro lado, embora os dados do mundo real (RWD) ofereçam vastas evidências longitudinais, a aplicação de algoritmos automatizados de descoberta causal (ex: PC, FCI) frequentemente falha devido ao não cumprimento de pressupostos (fidelidade, suficiência causal) e à falta de interpretabilidade clínica. Além disso, tentativas recentes de usar Grandes Modelos de Linguagem (LLMs) para o raciocínio causal levantam preocupações quanto a alucinações e à incapacidade de distinguir entre alegações associativas e causais. Há uma necessidade de uma estrutura que integre padrões de dados empíricos com o conhecimento especializado sem substituir a autoridade humana sobre a interpretação causal.

Metodologia
Os autores propõem uma estrutura governada de ciclo fechado que trata os DAGs baseados em conhecimento como hipóteses científicas testáveis, refinadas iterativamente através de um loop de colaboração humano-IA baseado em mineração de processos. A metodologia consiste em quatro fases distintas:

1. Fase 1: Construção de Log de Eventos Baseada em Conhecimento:

   • Um DAG inicial baseado em conhecimento é gerado usando LLMs para sintetizar a literatura e o aporte de especialistas. Isso serve como uma hipótese sintática, não como uma verdade causal.
   • O DAG orienta a construção de um log de eventos estruturado (sequências de eventos clínicos com carimbo de tempo, ordenadas longitudinalmente e ao nível do paciente), definindo populações, eventos e covariáveis.
   • Governança: Especialistas humanos definem eventos clinicamente significativos e critérios de inclusão; a IA auxilia na síntese da literatura.

2. Fase 2: Descoberta Baseada em Dados:

   • Algoritmos de mineração de processos (especificamente Grafos de Seguimento Direto ou DFGs) são aplicados ao log de eventos para descobrir padrões reais de transição temporal.
   • O resultado é um DFG que representa as transições observadas (ex: diagnóstico de DRC $\to$ evento cardiovascular) anotadas com frequência e tempo.
   • Governança: O DFG serve como uma linha de base empírica, capturando a sucessão temporal observada em vez da causalidade inerente.

3. Fase 3: Refinamento do DAG (O Loop Humano-IA):

   • O DFG empírico é sistematicamente comparado com o DAG inicial baseado em conhecimento.
   • Discrepâncias (ex: arestas ausentes, transições reversas inesperadas ou riscos competitivos de alta frequência) disparam propostas de refinamento candidatas propostas pela IA.
   • Governança: Um especialista humano adjudica cada proposta. A IA propõe mudanças (adicionar/remover arestas/nós, reestruturação para riscos competitivos), mas o humano decide com base na plausibilidade biológica e no insight clínico. Esta fase rejeita explicitamente artefatos induzidos pela observação (ex: mudanças de codificação pós-evento ou viés de vigilância) que não refletem mecanismos biológicos.

4. Fase 4: Seleção de Modelo Estatístico:

   • O DAG refinado e baseado em evidências é mapeado para modelos estatísticos apropriados usando regras de decisão explícitas (ex: modelos de Fine-Gray para riscos competitivos, análise de mediação causal para mediadores).
   • A estrutura recomenda estratégias analíticas específicas (ex: balanceamento de escore de propensão, análises de sensibilidade) alinhadas com a estrutura refinada.
   • Governança: Especialistas humanos revisam as suposições dos modelos e interpretam os tamanhos de efeito; a IA fornece recomendações estruturadas.

O loop se fecha ao alimentar os resultados e o DAG refinado de volta para a base de conhecimento para futuras iterações, garantindo transparência e rastreabilidade.

Principais Contribuições

• Colaboração Humano-IA Governada: O artigo introduz uma estrutura onde a IA atua como uma ferramenta de "aumento de checkpoint" em vez de um tomador de decisão autônomo. Ela separa explicitamente o refinamento exploratório (descoberta de padrões pela IA) da estimativa confirmatória (interpretação causal adjudicada pelo humano).
• Mineração de Processos como Avaliação Diagnóstica: Diferente da descoberta causal tradicional, esta abordagem usa a mineração de processos não para provar causalidade, mas para diagnosticar e desafiar suposições causais pré-especificadas contra padrões temporais empíricos.
• Mecanismo de Rejeição de Artefatos: A estrutura inclui "portões de plausibilidade" específicos (ex: regras de direcionalidade, regras de tipo de atividade) para rejeitar artefatos como mudanças de codificação reversa ou loops de feedback administrativo que mimetizam vias causais nos dados brutos.
• Implementação de Código Aberto: Os autores desenvolveram uma ferramenta web interativa (HealthProcessAI) e um ambiente de simulação para demonstrar o fluxo de trabalho.

Resultados
A estrutura foi avaliada utilizando duas abordagens:

1. Demonstração Tutorial (Dados Sintéticos): Usando dados calibrados para a coorte SCREAM (comparando Inibidores de Bomba de Prótons vs. Bloqueadores de Receptor H2), a estrutura conseguiu com sucesso:

   • Identificar a Morte como um nó crítico de risco competitivo, que estava ausente no DAG inicial baseado na literatura.
   • Validar a progressão da DRC como um candidato mediador na via de PPI para Evento Cardiovascular Adverso, enquanto rejeitou uma transição reversa espúria (CVAE $\to$ DRC) que não diferiu significativamente entre os grupos.
   • Recomendar modelos estatísticos apropriados (Fine-Gray, análise de mediação) consistentes com as melhores práticas epidemiológicas.

2. Estudo de Simulação de Verdade Fundamental (Ground Truth): Uma simulação controlada com estruturas causais conhecidas e artefatos injetados (um "decoy de feedback de droga" e um "deslocamento de codificação reversa") foi testada ao longo de 500 replicações.

   • Braço Não Governado (Apenas IA): Aceitou 100% dos artefatos injetados, degradando a precisão.
   • Braço Governado (Loop Humano-IA): Rejeitou 100% dos artefatos injetados, enquanto recuperou todas as transições verdadeiras de alto suporte e o nó de risco competitivo.
   • Recuperação do Estimando: O modelo selecionado pela estrutura governada recuperou a verdadeira razão de risco específica de causa com viés negligenciável e cobertura de intervalo de confiança quase nominal, enquanto modelos não ajustados ou ajustados falharam devido ao viés de vigilância.

Significância e Alegações
O artigo afirma avançar a disciplina metodológica na geração de evidências do mundo real ao fornecer uma abordagem transparente, reprodutível e governada para integrar a IA na inferência causal.

• Ele aborda a lacuna entre a epidemiologia causal teórica e a descoberta empírica ao tratar os DAGs como hipóteses falsificáveis.
• Preserva a autoridade humana sobre a interpretação causal, garantindo que a IA sirva como uma ferramenta de diagnóstico para o refinamento estrutural, em vez de um substituto para o conhecimento de domínio.
• A estrutura é modesta em seu escopo: não pretende descobrir a causalidade autonomamente ou eliminar o confundimento não medido. Em vez disso, oferece um mecanismo sistemático para identificar e rejeitar artefatos induzidos pela observação, melhorando assim a robustez dos modelos causais sobre os quais a estimativa estatística se baseia.
• Ao incorporar a avaliação empírica na construção do DAG, a estrutura visa unir a divisão entre modelos conceituais e dados observacionais, alinhando-se à filosofia científica iterativa de John Snow.