An Explainable Hybrid of Classical and Quantum Support Vector Machine Models for Maternal Mental Health Risk Prediction Using Multicountry Data

Resumo Técnico: Um Híbrido Explicável de Modelos de Máquina de Vetores de Suporte Clássicos e Quânticos para a Predição de Risco de Saúde Mental Materna

Declaração do Problema
Os transtornos de saúde mental materna, particularmente durante a gravidez e o período pós-parto, representam um desafio crítico de saúde pública global, com taxas de prevalência significativamente mais altas em países de baixa e média renda (LMICs). Apesar da disponibilidade de intervenções eficazes, o subdiagnóstico e o atraso na intervenção persistem devido a recursos limitados, infraestrutura de triagem inadequada e escassez de pessoal especializado. Embora modelos de aprendizado de máquina (ML) clássicos tenham mostrado promessa na predição desses riscos utilizando dados psicossociais e clínicos, eles frequentemente lutam para capturar interações não lineares altamente complexas presentes em conjuntos de dados heterogêneos e multicontinentais. Além disso, as abordagens existentes raramente integram o aprendizado potencializado por computação quântica ou inteligência artificial explicável (XAI), limitando sua interpretabilidade e confiabilidade clínica. Adicionalmente, modelos de aprendizado de máquina quântico independentes enfrentam restrições de desempenho devido às limitações do atual hardware de escala intermediária ruidosa de computação quântica (NISQ).

Metodologia
O estudo propõe um modelo de Máquina de Vetores de Suporte (SVM) Híbrido Clássico-Quântico Explicável, projetado para aproveitar o poder discriminativo dos algoritmos clássicos e as capacidades de representação de características não lineares da computação quântica.

• Conjunto de Dados: A pesquisa utilizou um conjunto de dados multicontinental composto por 14.008 registros maternos. Este conjunto de dados integrado incluiu dados primários de hospitais ugandenses (Hospital Nacional de Referência de Kawempe e Hospital de Mukono) e dados secundários de um conjunto de dados de depressão perinatal disponível publicamente do Paquistão. Os dados abrangeram 51 variáveis cobrindo demografia, histórico obstétrico, fatores socioeconômicos e indicadores psicossociais (ex: estresse, desesperança, ideação suicida).
• Pré-processamento: O pipeline envolveu limpeza de dados, tratamento de valores ausentes e codificação de variáveis categóricas. Para lidar com o desequilíbrio de classes, a Técnica de Sobreamostragem de Minoria Sintética (SMOTE) foi aplicada ao conjunto de treinamento. A Análise de Componentes Principais por Kernel (KPCA) foi empregada para redução de dimensionalidade e para preservar as relações não lineares antes da incorporação de características quânticas.
• Arquitetura do Modelo:
  • SVM Clássico: Utilizou um kernel de Função de Base Radial (RBF) para construir um hiperplano de separação ideal.
  • SVM Quântico (QSVM): Implementado usando a biblioteca Pennylane, este componente mapeou as características de entrada clássicas em um espaço de Hilbert quântico de alta dimensão usando circuitos quânticos parametrizados. Uma função de kernel quântico ($K_Q$) foi computada para medir a similaridade entre amostras no espaço de características quânticas.
  • Integração Híbrida: A predição final foi gerada via uma abordagem de ensemble ponderado, combinando as saídas de probabilidade do SVM Clássico ($P_C$) e do SVM Quântico ($P_Q$) usando um coeficiente de ponderação ($\alpha$).
  • Explicabilidade: Explicações Aditivas de Shapley (SHAP) foram aplicadas ao modelo híbrido para quantificar a contribuição de características individuais para a predição de risco, garantindo interpretabilidade clínica.
• Configuração Experimental: Os experimentos foram conduzidos em um ambiente Google Colaboratory usando aceleração de GPU. O conjunto de dados foi dividido em 80:20 para treinamento e teste. O modelo proposto foi comparado com SVM Clássico, Random Forest, XGBoost, LightGBM, CatBoost, Ensemble de Empilhamento (Stacking Ensemble) e QSVM independente.

Resultados Principais
O SVM Híbrido Clássico-Quântico proposto demonstrou um desempenho altamente competitivo, alcançando:

• Acurácia: 99,86%
• F1-Score: 99,80%
• ROC-AUC: 99,92%
• PR-AUC: 99,91%

Na análise comparativa, o modelo híbrido superou o QSVM independente, que alcançou uma acurácia de 77,82% e um ROC-AUC de 88,76%, destacando as limitações dos modelos puramente quânticos sob as atuais restrições de NISQ. No entanto, a abordagem híbrida alcançou um desempenho comparável aos melhores modelos clássicos (SVM Clássico e Stacking Ensemble, ambos com 99,93% de acurácia).

Achados da Análise SHAP:
A análise de explicabilidade identificou preditores fundamentais que contribuem para o risco de saúde mental materna, incluindo:

• Ideação suicida
• Níveis de estresse
• Dificuldades de concentração
• Fadiga
• Apetite reduzido
• Sentimentos de desesperança

A análise de mapa de calor do kernel quântico confirmou que a incorporação de características quânticas conseguiu capturar padrões não lineares e interações ocultas de características dentro do conjunto de dados, apesar da menor acurácia de classificação do modelo independente.

Significância e Alegações
O artigo alega que a principal contribuição deste estudo é o desenvolvimento de uma arquitetura híbrida explicável que combina efetivamente o aprendizado discriminativo clássico com a representação de características potencializada por computação quântica. Os autores afirmam que esta abordagem:

1. Aumenta a Robustez: Ao integrar kernels quânticos com otimização clássica, o modelo melhora a estabilidade preditiva e a separabilidade não linear em dados de saúde complexos e heterogêneos.
2. Preenche a Lacuna: Aborda a instabilidade de desempenho dos modelos quânticos independentes em hardware NISQ, aproveitando as forças dos algoritmos clássicos.
3. Garante a Interpretabilidade: A integração da análise SHAP fornece a transparência necessária para a tomada de decisão clínica, identificando fatores de risco psicossociais e comportamentais específicos.
4. Demonstra Aplicabilidade: O estudo fornece uma das poucas avaliações abrangentes de modelos híbridos clássico-quânticos no contexto da saúde mental materna, sugerindo sua viabilidade prática para a predição de risco em diversos ambientes multicontinentais.

Os autores mantêm-se modestos quanto ao estado atual do hardware quântico, reconhecendo que o componente quântico foi simulado em um ambiente NISQ, e que trabalhos futuros exigirão validação em conjuntos de dados maiores e mais diversos, bem como em hardware quântico real.