Bayesian Kernel Machine Regression via Random Fourier Features for Estimating Joint Health Effects of Multiple Exposures

Resumen Técnico: Regresión de Máquina de Kernel Bayesiana mediante Funciones de Fourier Aleatorias para Estimar los Efectos Conjuntos de la Salud de Múltiples Exposiciones

Planteamiento del Problema
La epidemiología ambiental se ha centrado tradicionalmente en análisis de exposición única, aunque los seres humanos están expuestos simultáneamente a múltiples factores de riesgo correlacionados. La Regresión de Máquina de Kernel Bayesiana (BKMR, por sus siglas en inglés) es un método ampliamente utilizado para estimar los efectos conjuntos y no lineales de múltiples exposiciones mediante el modelado de la superficie de respuesta-exposición como una realización de un proceso gaussiano. Sin embargo, la BKMR enfrenta cuellos de botella computacionales significativos cuando se aplica a grandes conjuntos de datos. El método requiere la inversión repetida de una matriz de kernel de $n \times n$ durante las iteraciones de Monte Carlo por Cadenas de Markov (MCMC), donde $n$ es el tamaño de la muestra. Esto hace que la BKMR sea computacionalmente inviable para grandes bases de datos administrativas de salud (por ejemplo, $n > 5,000$). Aunque existen aproximaciones existentes como el proceso predictivo (utilizando nudos o knots), estas sufren de desafíos como el suavizado excesivo (oversmoothing) y la falta de una guía clara para la selección de nudos en entornos multivariados.

Metodología: Fast BKMR
Los autores proponen "Fast BKMR", un método que reemplaza los efectos aleatorios de la máquina de kernel en la BKMR con Funciones de Fourier Aleatorias (RFF, por sus siglas en inglés) supervisadas. Este enfoque aprovecha el teorema de Bochner, que establece que cualquier kernel estacionario y positivo definido puede expresarse como la transformada de Fourier de su densidad espectral.

Componentes metodológicos clave:

• Expansión de Base: La función de efecto aleatorio $h(x_i)$ se aproxima mediante un conjunto finito de funciones de base:
  $$h(x_i) \approx \sum_{j=1}^{J} a_j \cos(\omega_j^T x_i) + b_j \sin(\omega_j^T x_i)$$
  donde $\omega_j$ son frecuencias muestreadas de una densidad espectral, y $a_j, b_j$ son coeficientes de efectos aleatorios.
• Aprendizaje Supervisado: A diferencia de la RFF estándar independiente de los datos, este método trata las frecuencias $\omega_j$ como variables aleatorias para ser aprendidas de los datos. Esto permite que las funciones de base sean adaptativas a la superficie específica de exposición-respuesta.
• Reencuadre del Modelo: Al utilizar RFF, la regresión de máquina de kernel se reencuadra como un modelo lineal de efectos mixtos. Esto elimina la necesidad de invertir la matriz de kernel $n \times n$, reduciendo significativamente la complejidad computacional.
• Inferencia: La inferencia bayesiana se lleva a cabo mediante MCMC utilizando algoritmos de Hamiltonian Monte Carlo (HMC). Las frecuencias $\omega_j$ y los coeficientes $(\gamma, a_j, b_j)$ se actualizan en bloques. El número de funciones de base ($J$) se selecciona utilizando el Criterio de Información de Watanabe-Akaike (WAIC).

Contribuciones Clave y Resultados
El artículo evalúa la Fast BKMR a través de estudios de simulación y una aplicación en el mundo real, comparándola con la BKMR estándar y la BKMR con proceso predictivo (PP).

1. Eficiencia Computacional: Fast BKMR demuestra reducciones sustanciales en el tiempo de computación. En simulaciones con $N=10,000$ y 10 exposiciones, la BKMR estándar con PP tardó aproximadamente 6.6 días en ajustar un modelo, mientras que Fast BKMR requirió solo alrededor de 1 día (con $J=1,000$). Para conjuntos de bases más pequeños (por ejemplo, $J=5$), la reducción de tiempo fue aún más dramática (hasta un 99% de reducción). El tiempo de computación para Fast BKMR escala casi linealmente con el tamaño de la muestra y el número de funciones de base, mientras que la BKMR con PP escala pobremente tanto con el tamaño de la muestra como con el número de exposiciones.
2. Precisión de la Estimación:
   • Correlación Fuerte: Cuando la superficie de respuesta-exposición presenta correlaciones fuertes (comunes en datos de contaminación del aire), Fast BKMR supera a la BKMR con PP, incluso con un número pequeño de funciones de base.
   • Especificación Incorrecta del Kernel: En escenarios donde el kernel real difiere del kernel gaussiano asumido, Fast BKMR mantiene un desempeño robusto, obteniendo a menudo un Error Cuadrático Medio (RMSE) más bajo que la BKMR con PP, particularmente con un mayor número de exposiciones.
   • Escenarios Paramétricos: Cuando la función de respuesta-exposición real es paramétrica (no gaussiana), Fast BKMR logra un desempeño comparable a la BKMR estándar a medida que aumenta el número de funciones de base, manteniendo al mismo tiempo una velocidad superior.
3. Aplicación a Datos de Peso al Nacer: El método se aplicó a un conjunto de 273,711 registros de nacimientos de Georgia para analizar los efectos conjuntos de CO, NO$_2$ y PM$_{2.5}$ sobre el peso al nacer. Fast BKMR capturó con éxito efectos conjuntos complejos y no lineales y proporcionó intervalos posteriores más estrechos en comparación con los modelos lineales de múltiples contaminantes con términos de interacción. El análisis confirmó que los niveles crecientes de NO$_2$ y PM$_{2.5}$ están asociados con una reducción del peso al nacer, mientras que la asociación para el CO fue positiva pero no estadísticamente significativa.

Significancia y Reivindicaciones
Los autores afirman que Fast BKMR aborda el problema crítico de escalabilidad de la BKMR, permitiendo el análisis de grandes bases de datos administrativas de salud que anteriormente eran intratables. El método ofrece una alternativa computacionalmente eficiente que no sacrifica la flexibilidad de modelar efectos conjuntos no lineales e interacciones.

El artículo destaca varias ventajas específicas:

• Escalabilidad: Facilita el análisis de conjuntos de datos con decenas de miles de observaciones y múltiples exposiciones.
• Robustez: Funciona bien incluso cuando la superficie de respuesta-exposición tiene dependencias fuertes o cuando el kernel está mal especificado.
• Estabilidad Numérica: Al evitar la inversión de la matriz de kernel, el método elude los problemas de singularidad numérica que surgen en la regresión de procesos gaussianos cuando las exposiciones están altamente correlacionadas (por ejemplo, individuos en el mismo sector censal que comparten datos de exposición idénticos).
• Flexibilidad: La naturaleza supervisada de la RFF permite que las funciones de base se adapten a los datos, ofreciendo una ventaja sobre las expansiones deterministas como la expansión de Karhunen–Loève.

Los autores señalan limitaciones, incluyendo que el método sigue siendo más lento que las alternativas no bayesianas (como WQS o q-gcomp) y actualmente se aplica solo a resultados continuos. Sugieren que trabajos futuros podrían explorar la selección de variables mediante prioris spike-and-slab y extensiones a modelos lineales generalizados para resultados binarios o de conteo.