Precision-weighted updating shows cross-task consistency as a bounded computational marker when precision gain is sufficiently large

Resumo Técnico: A atualização ponderada pela precisão mostra consistência entre tarefas como um marcador computacional limitado quando o ganho de precisão é suficientemente grande

Declaração do Problema
A psiquiatria computacional busca substituir rótulos sindrômicos por parâmetros generativos (ex: taxas de aprendizagem, pesos de precisão) que sirvam como marcadores transdiagnósticos ou endofenótipos. No entanto, existe uma tensão crítica: parâmetros estimados dentro de uma única tarefa experimental são frequentemente tratados como traços portáteis, mas podem ser apenas "pesos de regressão vinculados à tarefa" em vez de quantidades biológicas estáveis. O artigo aborda se um coeficiente específico de ponderação de precisão ($\gamma$) dentro do modelo CPSP-8 (um framework de dissociação de ameaça de três camadas) generaliza-se através de distintas tarefas de risco (BART [Balloon Analogue Risk Task] e CCTHot [Columbia Card Task]) e um probe comportamental, ou se é meramente um artefato do grafo específico da tarefa. O estudo investiga especificamente a identificabilidade e a consistência entre tarefas de $\gamma$ em comparação com outros parâmetros de decisão (ameaça, linha de base, taxa de aprendizagem inicial $\alpha_0$, temperatura inversa $\beta$, ganho de valor $v_{gain}$) e o teórico layer de Ornstein-Uhlen-Uhlen (OU) de ameaça.

Metodologia
O estudo utilizou análise secundária de dados desidentificados de três conjuntos de dados OpenNeuro:

1. D1 (BART): $N=173$ (124 controles, 49 esquizofrenia) de ds000030.
2. D5 (CCTHot): $N=104$ de ds004636.
3. D2 (HierPrior): $N=43$ de ds008083, fornecendo um probe comportamental para $\gamma$.

Arquitetura do Modelo:
O autor empregou o CPSP-8, um modelo composto por:

• Camada 1 (Teórica): Um processo de tempo contínuo de Ornstein-Uhlen-Uhlen (OU) para o estado de ameaça latente ($z_t$) e uma deriva de dissociação. Esses parâmetros ($\theta, \sigma_{ou}, \kappa, \lambda, onset$) foram congelados nas médias do grupo derivadas de simulações de recuperação prévias (onde a recuperação de $\theta$ era $r < 0,3$) para evitar narrar dinâmicas não identificáveis como traços específicos do paciente.
• Camada 2 (Decisão): Uma regra delta ponderada pela precisão. A taxa de aprendizagem $\alpha_t$ é modulada por um coeficiente de ponderação de precisão $\gamma$ baseado em erros de predição ao quadrado ($PE_t^2$) em relação à incerteza de Bernoulli.
• Camada 3: Modelagem de RT (tempo de reação) via uma aproximação log-normal de um processo de Wald.

Procedimento Analítico:
A análise central utilizou Validação Cruzada de Transferência Hierárquica (HTCV), preregistrada antes da visualização dos resultados. Diferente da validação cruzada padrão de exclusão de um sujeito, a HTCV testa a intercambiabilidade das médias posteriores do nível do grupo entre tarefas.

• Critério de Consistência: Um parâmetro é considerado consistente entre tarefas se o Intervalo de Densidade Mais Alta (HDI) de 95% da diferença entre as médias das tarefas ($\Delta = \mu_{TarefaA} - \mu_{TarefaB}$) contiver zero.
• Hipóteses:
  • H1: Todos os parâmetros de decisão não-$\gamma$ são consistentes entre BART e CCT.
  • H2: $\gamma$ é consistente entre BART, CCT e o probe HierPrior.
  • H3: O layer de OU é intestável sob o congelamento.
  • H4: O CPSP-8 não é pior que modelos dedicados (Random Walk, Regressão Logística, DDM, HGF-2 simplificado) em escolha e RT.
• Diagnósticos Pós-Revisão: Incluíram verificações de ROPE (Região de Equivalência Prática), uma grade de sensibilidade MAP+SE conjugada (36 variações de priors e pooling), comparação de modelos WAIC/LOO-IC e ponderação de escore de propensão demográfica (IPW).
• Verificações de Identificabilidade: Simulações de sujeitos virtuais (D1d, D1e) testaram a recuperação de parâmetros ($r$) e a separabilidade de nível de família (Fatores de Bayes) entre o modelo de portão de precisão e um limite de Caminhada Aleatória (RW, $\gamma=0$).

Resultados Principais

1. H1 Falhou (Especificidade da Tarefa): Todos os parâmetros de decisão não-$\gamma$ ($\text{ameaça}, \text{linha de base}, \alpha_0, \beta, v_{gain}$) mostraram diferenças significativas entre BART e CCT (HDIs de 95% excluíram zero). Por exemplo, $\beta$ (temperatura inversa) foi 1,769 em BART vs. 0,001 em CCT. O autor interpreta isso não como uma falha de ajuste, mas como evidência de que esses parâmetros atuam como "interruptores de modo" adaptando-se a estruturas de tarefas específicas (ex: perigo oculto vs. probabilidades explícitas).
2. H2 Suportada Condicionalmente (Consistência Sensível ao Pipeline): Sob a regra NUTS HDI preregistrada, o coeficiente de ponderação de precisão $\gamma$ foi o único parâmetro onde o HDI de 95% da diferença entre BART e CCT continha zero ($\Delta = 0,3835$, HDI $[-0,0084, 0,7826]$). Esta consistência manteve-se em todos os três contrastes (BART-CCT, BART-EEG, CCT-EEG) sob esta regra específica.
   • Limitações Críticas: O artigo afirma explicitamente que este resultado não é robusto entre pipelines. A consistência falha em uma grade conjugada MAP+SE (0/36 células continham zero), não é equivalência ROPE (o HDI sobrepõe-se, mas não está contido no ROPE) e o WAIC/LOO favoreceu modelos de $\gamma$ específicos da tarefa sobre um modelo de $\gamma$ compartilhado ($\Delta$WAIC = 146,6). Consequentemente, $\gamma$ é descrito como um "escalar trans-tarefa limitado e sensível ao pipeline" em vez de um marcador estável.
3. H3 Confirmada (OU Não Identificável): Os parâmetros do layer de OU permaneceram congelados porque as simulações de recuperação de sujeitos virtuais mostraram correlações de Pearson $r < 0,3$ para $\theta$, tornando-os inidentificáveis nestas tarefas.
4. H4 Falhou (Desempenho Preditivo): O CPSP-8 não superou modelos dedicados. O Random Walk (RW) e a Regressão Logística superaram o CPSP-8 em RMSE de escolha; o DDM superou em RMSE de RT.
5. Identificabilidade e Separabilidade:
   • $\gamma$ era recuperável ao nível individual com 960 tentativas (mediana $r \approx 0,66$).
   • Separabilidade de Família: O modelo pôde distinguir o mecanismo de portão de precisão de uma Caminhada Aleatória ($\gamma=0$) apenas quando o verdadeiro $\gamma$ era suficientemente grande. A separabilidade foi alcançada com $\gamma \ge 1,0$ com $\ge 960$ tentativas (ou $\gamma \ge 1,5$ com 480 tentativas). Para $\gamma \le 0,5$ ou $\gamma=0$, o modelo era de família inseparável do RW (Fatores de Bayes próximos de 1).

Significância e Alegações
O artigo reivindica uma contribuição modesta e limitada para a psiquiatria computacional:

• $\gamma$ é um Escalar Limitado, Não um Biomarcador: O coeficiente de ponderação de precisão $\gamma$ demonstra consistência entre tarefas apenas sob condições específicas (ganho suficientemente grande, número de tentativas suficiente e um pipeline de ajuste NUTS fixo). Ele falha nos testes de robustez (grade conjugada, WAIC) e não é um biomarcador diagnóstico para esquizofrenia (pois $\gamma$ não diferiu por diagnóstico na amostra BART; $\beta$ diferiu, mas $\beta$ falhou na consistência entre tarefas).
• Mecanismo vs. Arquitetura: O estudo distingue entre parâmetros "portáteis" e "interruptores de modo". A falha de H1 indica que muitos parâmetros de decisão são dependentes de contexto. O sucesso condicional de H2 sugere que a ponderação de precisão é um candidato a endofenótipo computacional apenas quando o "ganho de precisão" é grande o suficiente para ser distinguível de uma simples taxa de aprendizagem e o pipeline de ajuste é fixo.
• Restrições de Honestidade: O autor enfatiza que congelar o layer de OU e reconhecer a incapacidade de separar $\gamma$ do RW em valores baixos são "restrições de honestidade". Eles argumentam contra narrar dinâmicas não identificadas como traços específicos do paciente.
• Rigor Metodológico: O estudo reforça a necessidade de validação de transferência hierárquica e verificações de recuperação de parâmetros, mostrando que um parâmetro pode parecer consistente entre tarefas sob uma regra de HDI bayesiano enquanto falha em outros testes de robustez (ROPE, grade conjugada, WAIC), destacando a sensibilidade ao pipeline dos fenótipos computacionais.

Em conclusão, o artigo afirma que, embora a atualização ponderada pela precisão ($\gamma$) mostre promessa como um marcador computacional entre tarefas, sua utilidade é estritamente limitada pela magnitude do ganho, pelo número de tentativas e pelo pipeline de ajuste. Não deve ser interpretado como uma ferramenta diagnóstica clínica definitiva ou um endofenótipo hereditário sem validação adicional envolvendo âncoras neurais e desenhos familiares.