Variable Domain Multivariate Functional Principal Component Analysis

Dieser Artikel stellt eine neuartige Methode zur multivariaten funktionalen Hauptkomponentenanalyse (MFPCA) vor, die variable Beobachtungsbereiche berücksichtigt, indem sie univariate Scores mit variablen Domänen vereinheitlicht und deren Kovarianz glättet, und zeigt durch Simulationen sowie eine reale Anwendung auf Daten zur Überwachung von COVID-19-Patienten eine überlegene Leistung im Vergleich zu bestehenden Ansätzen.

Das Wesentliche

Das Problem: Das Dilemma des „nicht übereinstimmenden Films"

Stellen Sie sich vor, Sie sind ein Filmkritiker, der einen neuen Film rezensieren soll. Sie haben 1.000 verschiedene Kopien desselben Films, aber es gibt einen Haken:

• Manche Menschen haben den ganzen 2-stündigen Film gesehen.
• Manche haben nur die ersten 30 Minuten gesehen, weil sie eingeschlafen sind.
• Andere haben nur die letzten 15 Minuten gesehen, weil sie zu spät kamen.

Stellen Sie sich nun vor, Sie versuchen, zwei Dinge gleichzeitig im Film zu analysieren: die Handlungswendungen (Variable 1) und die Hintergrundmusik (Variable 2).

Der alte Weg (Der „Binning"-Ansatz):
Frühere Methoden zur Analyse dieser Daten waren so, als würde man sagen: „Okay, wir schauen uns nur die ersten 30 Minuten des Films jedes einzelnen an."

• Das Problem: Sie werfen alle Informationen über die Leute weg, die den ganzen Film gesehen haben. Sie verlieren die Handlungswendungen, die am Ende passieren.
• Die Alternative: Man könnte das Publikum in Gruppen einteilen: „Gruppe A sah 0–30 Minuten", „Gruppe B sah 30–60 Minuten". Aber das ist unübersichtlich. Es behandelt einen Zuschauer, der 29 Minuten sah, als völlig anders als einen, der 31 Minuten sah, obwohl ihre Erfahrung fast identisch war. Es ist so, als würde man eine Bibliothek nach „Büchern mit 100 Seiten" und „Büchern mit 101 Seiten" sortieren, anstatt einfach die Geschichte zu lesen.

Die Lösung des Papiers (VD-MFPCA):
Dieses Papier stellt eine neue, intelligentere Methode vor, um diese „nicht übereinstimmenden Filme" zu analysieren. Anstatt die Daten abzuschneiden oder alle in starre Kästen zu zwingen, haben die Autoren eine Methode entwickelt, die versteht, wie sich die Länge des Films auf die Geschichte auswirkt.

Wie die neue Methode funktioniert: Der „intelligente Schnittmeister"

Die Autoren schlagen einen vierstufigen Prozess vor, der wie ein sehr intelligenter Film-Schnittmeister agiert:

1. Jede Szene separat schneiden: Zuerst betrachten sie die „Handlung" und die „Musik" getrennt. Sie ermitteln die durchschnittliche Geschichte und Musik für Leute, die kurze, mittlere und lange Clips sahen. Sie erkennen, dass der „durchschnittliche Plot" für einen kurzen Clip anders aussieht als der „durchschnittliche Plot" für einen langen Clip.
2. Die Noten stapeln: Sie nehmen die „Noten" (Scores) aus der Handlungsanalyse und die „Noten" aus der Musikanalyse und stapeln sie für jede Person zusammen.
3. Der magische Smoothie (Die Schlüsselinnovation): Hier kommt die Genialität ins Spiel. Sie erkennen, dass sich die Beziehung zwischen Handlung und Musik ändert, je länger der Film ist.
   • Analogie: Stellen Sie sich vor, dass bei kurzen Filmen Handlung und Musik sehr eng miteinander verknüpft sind. Bei langen Filmen drifteten sie jedoch auseinander. Die alten Methoden gingen davon aus, dass sie für alle gleich verknüpft waren. Diese neue Methode verwendet einen „Smoothie-Mixer" (mathematisch penalisierte Splines genannt), um diese Beziehungen sanft zu vermischen. Sie erzwingt keinen harten Schnitt; sie erzeugt eine glatte Kurve, die zeigt, wie sich die Verbindung verändert, je länger der Film wird.
4. Die finale Rezension: Jetzt können sie die „Hauptthemen" (Hauptkomponenten) finden, die den Film erklären, wobei sie genau wissen, wie sich diese Themen je nach der Betrachtungsdauer des Zuschauers verschieben.

Der Test: Hat es funktioniert?

Die Autoren führten eine massive Simulation (ein „virtuelles Kino") durch, um ihre Methode gegen die alte „Abschneide"-Methode zu testen.

• Das Setup: Sie erstellten fiktive Daten, bei denen einige „Patienten" (oder Filmzuschauer) kurze Beobachtungszeiten hatten und andere lange.
• Das Ergebnis: Die neue Methode war viel besser. Sie rekonstruierte die „Filme" mit weit weniger Fehlern. Die alte Methode war wie der Versuch, das Ende eines Krimi-Romans zu erraten, indem man nur das erste Kapitel liest; die neue Methode las das ganze Buch für diejenigen, die es hatten, und die kurzen Kapitel für diejenigen, die es nicht hatten, und erkannte trotzdem die ganze Geschichte perfekt.

Die reale Anwendung: Der Krankenhaus-„Vitalzeichen"-Film

Um zu beweisen, dass dies in der realen Welt funktioniert, wandten die Autoren ihre Methode auf COVID-19-Patienten in einem Krankenhaus an.

• Die Daten: Sie verfolgten zwei Vitalzeichen: Sauerstoffsättigung (SpO2) und Körpertemperatur.
• Der Variablenbereich: Manche Patienten waren drei Tage im Krankenhaus; andere waren drei Monate dort. Ihre „Beobachtungsfilme" hatten unterschiedliche Längen.
• Was sie fanden:
  • Die durchschnittliche Geschichte: Sie konnten sehen, dass Patienten, die länger blieben, mit niedrigeren Sauerstoffwerten begannen, die sich langsam verbesserten, während Patienten mit kurzem Aufenthalt stabile Sauerstoffwerte hatten. Die Temperatur fast aller begann hoch (Fieber) und ging unabhängig von der Verweildauer zurück.
  • Das „Hauptthema" (PC1): Das wichtigste Muster, das sie fanden (die erste Hauptkomponente), war eine spezifische Kombination aus Sauerstoff- und Temperaturveränderungen.
  • Die Vorhersage: Sie entdeckten, dass Patienten mit einem „hohen Score" auf diesem Hauptthema viel eher starben (25 % Sterblichkeit) im Vergleich zu denen mit einem niedrigen Score (7 % Sterblichkeit).
  • Altersfaktor: Ältere Patienten hatten natürlicherweise höhere Scores auf diesem „gefährlichen Muster".

Das Fazit

Dieses Papier sagt: Hören Sie auf, Ihre Daten abzuschneiden, nur weil Menschen unterschiedlich lange beobachtet wurden.

Durch die Verwendung ihrer neuen „Variable Domain"-Methode können Forscher mehrere sich verändernde Dinge (wie Herzfrequenz und Temperatur) gleichzeitig analysieren, selbst wenn einige Menschen eine Woche und andere ein Jahr lang beobachtet werden. Es erfasst die ganze Geschichte, ohne das Ende wegzuwerfen, und führt zu viel genaueren Vorhersagen über die Gesundheit der Patienten.

Technische Zusammenfassung

Technisches Fazit: Multivariate Funktionale Hauptkomponentenanalyse mit variablem Definitionsbereich

Problemstellung
Die Multivariate Funktionale Hauptkomponentenanalyse (MFPCA) ist eine Standardtechnik zur Dimensionsreduktion in Datensätzen, die mehrere funktionale Variablen (z. B. Zeitreihen von Vitalparametern) enthalten, die an denselben Probanden beobachtet wurden. Bestehende MFPCA-Rahmenwerke, wie der umfassende Ansatz von Happ und Greven [2018], beruhen jedoch auf einer kritischen Annahme: Alle funktionalen Beobachtungen müssen über einen gemeinsamen, festen Definitionsbereich aufgezeichnet sein. In praktischen Anwendungen, insbesondere in longitudinalen biomedizinischen Studien, wird diese Annahme häufig verletzt. Probanden weisen oft unterschiedliche Beobachtungszeiträume auf, bedingt durch Faktoren wie unterschiedliche Aufnahmezeiten, variierende Krankenhausaufenthaltsdauern oder vorzeitigen Studienabbruch. Dies führt zu „funktionalen Daten mit variablem Definitionsbereich", bei denen die Länge des Definitionsbereichs $T_i$ zwischen den Probanden variiert.

Gängige Ad-hoc-Lösungen für dieses Problem umfassen die Einschränkung der Analyse auf einen gemeinsamen Teilbereich des Definitionsbereichs (was wertvolle Daten von Probanden mit längeren Beobachtungszeiträumen verwirft) oder die Einteilung der Probanden in Gruppen mit ähnlichen Definitionsbereichslängen (was eine willkürliche Diskretisierung einführt und die kontinuierliche Abhängigkeit der Kovarianzstruktur von der Länge des Definitionsbereichs nicht modelliert). Während Johns et al. [2019] variable Definitionsbereiche in einem univariaten Setting adressierten, existiert kein Rahmenwerk, das effektiv den multivariaten Fall behandelt, bei dem mehrere Variablen über unterschiedliche, potenziell disjunkte Definitionsbereiche beobachtet werden.

Methodik
Die Autoren schlagen ein neues Rahmenwerk vor, die Variable Domain MFPCA (VD-MFPCA), das den univariaten Ansatz für variable Definitionsbereiche von Johns et al. [2019] auf das multivariate Setting erweitert. Die Methodik verläuft in vier distincten Schritten:

1. Univariate Funktionale Hauptkomponentenanalyse mit variablem Definitionsbereich: Für jede funktionale Variable $j$ wenden die Autoren den Ansatz von Johns et al. [2019] separat an. Dies umfasst die Modellierung der Mittelwertfunktion $\mu_j(t, T_i)$ und der Kovarianzfunktion $\gamma_j(t, s, T_i)$ als glatte Funktionen sowohl der Zeit $t$ als auch der Länge des Definitionsbereichs $T_i$ unter Verwendung von bestraften dünnen Platten-Splines (PTPS) innerhalb eines Rahmens verallgemeinerter additiver Modelle. Dies liefert univariate Eigenfunktionen $\hat{\psi}^j_k(t, T_i)$ und Scores $\hat{\xi}^j_{ik}(T_i)$, die explizit von der Länge des Definitionsbereichs des Probanden abhängen.
2. Stapelung univariater Scores: Die univariaten Scores jedes Probanden werden zu einem einzigen Vektor $\xi_i(T_i)$ gestapelt.
3. Modellierung der Kovarianz der Scores als Funktion der Länge des Definitionsbereichs: Dies ist die Kerninnovation. Die Autoren erkennen, dass die Kovarianzmatrix der gestapelten Scores, $C(T_i) = \text{Cov}(\xi_i | T = T_i)$, von der Länge des Definitionsbereichs abhängt. Anstatt eine feste Kovarianzstruktur anzunehmen, modellieren sie jedes eindeutige Element der empirischen Kovarianzmatrix als glatte Funktion von $T$ unter Verwendung von bestraften Splines. Dies ermöglicht die Schätzung einer glatten Kovarianzmatrix $\hat{C}(T)$ für jede beliebige Länge des Definitionsbereichs.
4. Multivariate Eigenzerlegung: Für jede spezifische Länge des Definitionsbereichs $T$ wird die geschätzte Kovarianzmatrix $\hat{C}(T)$ zerlegt, um multivariate Eigenwerte $\nu_m(T)$ und Eigenvektoren $c_m(T)$ zu erhalten. Diese werden verwendet, um multivariate Scores $\rho_{im}(T_i)$ und multivariate Eigenfunktionen $\Psi^j_m(t, T_i)$ zu berechnen, die nun sowohl von der Zeit als auch von der spezifischen Länge des Definitionsbereichs des Probanden abhängen.

Hauptbeiträge

• Neues Rahmenwerk: Der Artikel stellt die erste Methodik für MFPCA vor, die variable Beobachtungsbereiche explizit berücksichtigt, ohne Daten zu truncieren oder Probanden in Gruppen einzuteilen.
• Theoretische Erweiterung: Es wird das univariate Rahmenwerk für funktionale Hauptkomponentenanalysen mit variablem Definitionsbereich auf das multivariate Setting erweitert und die komplexe Herausforderung der Modellierung der Abhängigkeitsstruktur über mehrere Variablen hinweg adressiert, wenn diese Variablen über unterschiedliche Zeiträume beobachtet werden.
• Glatte Kovarianzmodellierung: Durch die Modellierung der Kovarianz gestapelter Scores als glatte Funktion der Länge des Definitionsbereichs erfasst die Methode kontinuierliche Variationen in der Abhängigkeitsstruktur, die von Diskretisierungsstrategien übersehen werden.

Ergebnisse
Die Autoren validieren die Methode durch umfangreiche Simulationsstudien und eine reale Anwendung.

• Simulationsstudie: Die vorgeschlagene VD-MFPCA wurde mit einem „Binning"-Ansatz verglichen (Gruppierung von Probanden nach Länge des Definitionsbereichs und Truncierung der Daten auf die minimale Länge in jeder Gruppe).

  • Rekonstruktionsgenauigkeit: Die VD-MFPCA erzielte konsistent deutlich niedrigere durchschnittliche quadratische Wurzelfehler (ARMSE) bei der Rekonstruktion funktionaler Beobachtungen im Vergleich zum Binning-Ansatz, mit Verbesserungen von 50 % bis über 80 % in verschiedenen Szenarien.
  • Schätzung von Eigenfunktionen: Die VD-MFPCA zeigte eine überlegene Genauigkeit bei der Schätzung von Eigenfunktionen, insbesondere unter schiefen Verteilungen der Länge des Definitionsbereichs (z. B. negative Binomialverteilung), bei denen der Binning-Ansatz aufgrund von Informationsverlust in truncierten Definitionsbereichen unter hohen Fehlern litt.
  • Robustheit: Die vorgeschlagene Methode blieb über verschiedene Stichprobengrößen ($N=100, 500$), Rauschniveaus und Verteilungen des Definitionsbereichs stabil, während der Binning-Ansatz eine Sensitivität gegenüber der Form der Verteilung und der Anzahl der verwendeten Gruppen zeigte.

• Anwendung auf COVID-19-Daten: Die Methode wurde auf die Verläufe der Körpertemperatur und der kapillären Sauerstoffsättigung (SpO2) von 782 hospitalisierten COVID-19-Patienten mit unterschiedlichen Aufenthaltsdauern (von ca. 3 Tagen bis ca. 125 Tagen) angewendet.

  • Von der Länge des Definitionsbereichs abhängige Muster: Die Analyse ergab, dass Mittelwertverläufe und Varianzstrukturen von der Krankenhausverweildauer abhängen. Beispielsweise wiesen Patienten mit längeren Aufenthalten anfänglich niedrigere SpO2-Werte auf, die sich allmählich verbesserten – ein Muster, das durch Methoden mit festem Definitionsbereich verschleiert wurde.
  • Klinische Relevanz: Es wurde festgestellt, dass die Scores der ersten Hauptkomponente (PC1) stark mit der Patientenmortalität und dem Alter assoziiert waren, jedoch nicht mit der Länge des Beobachtungszeitraums selbst. Dies bestätigt, dass die Methode bereichsbezogene Artefakte erfolgreich von intrinsischer physiologischer Variation trennt.
  • Prognostischer Wert: Patienten im höchsten Drittel (Tercil) der PC1-Scores hatten eine Mortalitätsrate von 25,3 %, verglichen mit ca. 7,5 % in den niedrigeren Dritteln, was die Fähigkeit der Methode demonstriert, prognostische Informationen aus gemeinsamen Verläufen von Vitalparametern zu erfassen.

Bedeutung und Behauptungen
Der Artikel behauptet, dass VD-MFPCA eine kritische Lücke in der Analyse funktionaler Daten schließt, indem sie einen prinzipiellen Ansatz für die Dimensionsreduktion in multivariaten Settings mit variablen Definitionsbereichen bietet. Die Autoren behaupten, dass ihre Methode im Vergleich zu bestehenden Ad-hoc-Strategien „erhebliche Gewinne" sowohl in der Rekonstruktionsgenauigkeit als auch in der Schätzung von Eigenfunktionen bietet.

Die Bedeutung der Arbeit liegt in ihrer Fähigkeit, den vollen Informationsgehalt longitudinaler Daten ohne willkürliche Truncierung oder Diskretisierung zu nutzen. Im Kontext der COVID-19-Anwendung heben die Autoren hervor, dass die Methode komplexe, zeitlich variierende physiologische Muster erfasst, die klinische Ergebnisse (Mortalität und altersbedingte Schwere) vorhersagen und die bei traditioneller MFPCA mit festem Definitionsbereich wahrscheinlich übersehen oder verzerrt würden. Die Autoren schließen, dass diese Methodik besonders wertvoll für klinische Forschung ist, die Hospitalisierungsdaten und longitudinale Überwachung umfasst, bei denen Beobachtungszeiträume inhärent variabel sind.

Der Artikel bleibt bezüglich der Einschränkungen bescheiden und räumt ein, dass die aktuelle Implementierung für sehr große Datensätze oder eine hohe Anzahl von Variablen rechenintensiv sein kann, und vermerkt, dass zukünftige Arbeiten die bayesianische Unsicherheitsquantifizierung und die Behandlung unregelmäßiger, spärlicher Beobachtungen innerhalb des Rahmenwerks für variable Definitionsbereiche untersuchen könnten.