An Optimal Control Framework for Adaptive Virtual Reality Interventions in Substance Use Rehabilitation

Resumo Técnico: Um Framework de Controle Ótimo para Intervenções de Realidade Virtual Adaptativas em Reabilitação de Uso de Substâncias

Declaração do Problema
O Transtorno por Uso de Substâncias (TUS) continua sendo um desafio crítico de saúde pública, sendo a prevenção da recaída uma das principais dificuldades na reabilitação. As estratégias tradicionais frequentemente lutam com a acessibilidade limitada e a incapacidade de recriar efetivamente ambientes do mundo real que desencadeiam desejos intensos (cravings). Embora a Realidade Virtual (RV) ofereça um ambiente controlado e imersivo para exposição a gatilhos e intervenção, a literatura existente carece de uma aplicação direta de métodos de controle ótimo para determinar o tempo e a intensidade precisos das intervenções baseadas em RV. A maioria dos modelos atuais foca em grupos populacionais gerais ou intervenções estáticas, em vez de respostas dinâmicas e orientadas por gatilhos específicos em ambientes de RV.

Metodologia
Os autores desenvolveram um framework matemático centrado em um modelo Adaptativo-Perturbado-Corretivo-Recaída (APCR) de quatro compartimentos para simular a dinâmica de recuperação.

• Estrutura do Modelo: O sistema é governado por um conjunto de equações diferenciais ordinárias acopladas que representam a proporção de uma população em quatro estados:

  • Adaptativo ($A$): Recuperação estável.
  • Perturbado ($P$): Desejos induzidos por gatilhos (cravings).
  • Corretivo ($C$): Sob intervenção ativa de recuperação.
  • Recaída ($R$): Estado de recaída.
    As transições entre esses estados são impulsionadas por uma função de gatilho de desejo $T(t)$ e um sinal de recuperação terapêutica.

• Parametrização:

  • Função de Gatilho ($T(t)$): Derivada de dados empíricos de rastreamento ocular (fixação e frequência) coletados em um ambiente de RV em relação a estímulos relacionados ao álcool.
  • Sinal de Recuperação: Inicialmente modelado como um sinal passivo baseado em biomarcadores fisiológicos (variabilidade da frequência cardíaca, frequência cardíaca, escores de estresse) de dispositivos vestíveis (wearables).
  • Taxas de Transição: Parâmetros ($\beta, \gamma, \alpha, \mu, \delta$) foram atribuídos com base em suposições informadas pela literatura sobre reatividade a gatilhos e regulação cognitiva, em vez de dados clínicos diretos de uma única sessão.

• Formulação de Controle Ótimo:

  • O sinal de recuperação passivo foi substituído por uma variável de controle dependente do tempo e limitada $u_1(t)$, que representa a intensidade da intervenção terapêutica.
  • Função Objetivo: O objetivo é minimizar o tempo gasto no estado Perturbado ($P$), penalizando o custo do esforço de intervenção. A função de custo é definida como $J(u_1) = \int_0^{t_f} (A_1 P(t) + \frac{1}{2}B_1 u_1(t)^2) dt$, onde $A_1$ pondera a penalidade por estar no estado perturbado e $B_1$ pondera o esforço de controle.
  • Método de Solução: Os autores utilizaram o Princípio do Mínimo de Pontryagin para derivar as condições necessárias para a otimalidade, resultando em um sistema hamiltoniano envolvendo equações de estado e equações adjuntas (costate). O sistema de otimalidade resultante foi resolvido numericamente usando o método de varredura direta-indireta (forward–backward sweep) sobre um horizonte de 60 minutos.

• Análise Matemática: O artigo estabelece a existência, unicidade, não-negatividade e limitação das soluções dentro de um simplex invariante, garantindo que o modelo permaneça fisicamente significativo (as proporções somam 1 e permanecem não-negativas).

Principais Resultados

• Redução da Perturbação: Comparado a uma linha de base passiva onde o sinal de recuperação é uma constante fixa, a estratégia de controle ótimo reduziu a proporção de pico simulada de indivíduos no estado Perturbado em 33,26% (caindo de 0,439 para 0,293).
• Intervenção Dinâmica: O perfil de controle ótimo não é constante. Ele permanece baixo até que o gatilho do desejo seja ativado, aumenta bruscamente para a intensidade máxima ($u_{max}=1$) durante o pico da perturbação e depois diminui gradualmente conforme a necessidade de intervenção reduz. Isso contrasta com estratégias de intervenção contínuas ou estáticas.
• Análise de Sensibilidade: A proporção de pico perturbada do modelo é altamente sensível às taxas de transição $\beta$ (suscetibilidade a gatilhos) e $\alpha$ (responsividade à intervenção). Variações nesses parâmetros alteraram significativamente os resultados, enquanto parâmetros que governam a recuperação da recaída ($\delta$) e a reintegração bem-sucedida ($\gamma$) tiveram impacto mínimo na perturbação de pico.
• Eficiência de Custo: A análise demonstra que o tratamento de alta intensidade em RV só é necessário durante uma janela estreita correspondente ao maior risco de recaída, sugerindo que estratégias adaptativas podem gerenciar os custos de tratamento de forma mais eficaz do que a exposição de alta intensidade contínua.

Significância e Alegações
O artigo afirma fornecer uma fundação quantitativa para o design de intervenções de RV adaptativas que respondem dinamicamente às mudanças modeladas nos estados de recuperação. Ao integrar sinais comportamentais (olhar) e fisiológicos em um framework de controle dependente do estado, este trabalho apoia o desenvolvimento de estratégias de intervenção personalizadas, onde a intensidade terapêutica é alocada com base nas necessidades individuais, em vez de cronogramas fixos.

Os autores posicionam este trabalho como um passo para transformar a RV de um "estímulo terapêutico fixo" em uma ferramenta "dinamicamente responsiva". Eles explicitamente declaram que o modelo representa matematicamente a dinâmica de simulação de RV, mas reconhecem limitações, incluindo o uso de parâmetros estimados em vez de dados clínicos derivados empiricamente e a dependência de dados de olhar específicos para álcool, que podem não se generalizar totalmente para outras substâncias. O framework visa apoiar o Objetivo de Desenvolvimento Sustentável 3 das Nações Unidas (Saúde e Bem-Estar), oferecendo uma abordagem matemática para melhorar a prevenção da recaída na reabilitação do uso de substâncias.