Amortized Bayesian inference for actigraph time sheet data from mobile devices

1. El Problema

La proliferación de dispositivos portátiles (wearables) y actígrafos ha generado grandes volúmenes de datos de salud de alta resolución (ej. aceleración en 30 Hz). Sin embargo, el análisis estadístico de estos datos enfrenta dos desafíos principales:

• Complejidad Computacional: Los métodos bayesianos tradicionales para modelos dinámicos jerárquicos (como el muestreo exacto de la distribución posterior) son computacionalmente costosos, lo que dificulta su aplicación en tiempo real o para grandes conjuntos de datos.
• Necesidad de Transferencia y Amortización: La inteligencia artificial moderna requiere marcos que permitan la transferencia de aprendizaje y la "amortización" de costos computacionales. Es decir, se necesita un sistema que, una vez entrenado, pueda realizar inferencias rápidas en nuevos datos sin necesidad de reentrenar desde cero para cada nuevo sujeto o conjunto de datos.
• Datos Incompletos y Ruidosos: Los datos crudos de los actígrafos presentan irregularidades, ruido y brechas temporales, requiriendo imputación probabilística y modelado de la magnitud de la aceleración (MAG) como un indicador de intensidad de actividad física.

2. Metodología

Los autores proponen un marco de Inferencia Bayesiana Amortizada (ABI) utilizando la arquitectura BayesFlow, integrada dentro de un Modelo Lineal Dinámico (DLM) jerárquico.

A. Preprocesamiento y Estructura de Datos

• Transformación de MAG: Se calcula la Magnitud de Aceleración ($MAG_t = \sqrt{x_t^2 + y_t^2 + z_t^2}$) y se promedia en pasos de 20 segundos para suavizar el ruido. Se utiliza $\log(MAG)$ para permitir valores negativos en el modelo lineal.
• Hoja de Tiempo de Actígrafo (Actigraph Timesheet): Se reestructuran los datos en una matriz donde las filas son pares (Sujeto, Fecha) y las columnas son pasos de tiempo discretos. Esto permite manejar trayectorias de diferentes longitudes y con brechas temporales.
• Imputación: Se utiliza un esquema de imputación que combina covariables observadas y no observadas (interpolación de coordenadas GPS, datos demográficos) para rellenar las brechas en las trayectorias.

B. Modelo Estadístico: Modelo Lineal Dinámico (DLM)

Se define un modelo jerárquico donde:

• La observación $y_t$ sigue una distribución normal condicional a los parámetros de estado $\beta_t$.
• Los parámetros de estado $\beta_t$ evolucionan en el tiempo según una ecuación de estado de Markov ($\beta_t = G_t\beta_{t-1} + \omega_t$).
• Se asume una distribución conjugada Normal-Gamma para los parámetros, permitiendo el uso de algoritmos de filtrado exacto (FFBS) como referencia.

C. Inferencia Amortizada con BayesFlow

En lugar de realizar muestreo MCMC para cada nuevo conjunto de datos, se entrena una Red Neuronal Invertible (INN) o "flujo normalizante" ($f_\phi$):

1. Entrenamiento: Se generan miles de conjuntos de datos sintéticos a partir del prior del modelo DLM. La red neuronal aprende a mapear los parámetros $\theta$ y los datos $y$ a una distribución latente simple (Normal Estándar).
2. Objetivo: Minimizar la divergencia de Kullback-Leibler (KL) entre la verdadera posterior y la aproximación de la red.
3. Inferencia: Una vez entrenada, la red puede tomar nuevos datos observados $y^{(obs)}$ y generar muestras de la distribución posterior $p(\theta | y^{(obs)})$ instantáneamente mediante la transformación inversa de la red, sin necesidad de iteraciones costosas.

3. Contribuciones Clave

• Marco de Transferencia para Wearables: Se presenta uno de los primeros marcos que aplica la inferencia amortizada a datos de actígrafos de alta resolución, permitiendo la generalización a través de múltiples sujetos y trayectorias.
• Integración de DLM y Flujos Normalizantes: Se demuestra cómo entrenar redes neuronales dentro del marco BayesFlow para aprender la estructura temporal de un modelo lineal dinámico jerárquico, capturando la evolución de los coeficientes a lo largo del tiempo.
• Sistema de Imputación Probabilística: Se desarrolla un esquema robusto para imputar datos faltantes en las hojas de tiempo, permitiendo la reconstrucción de trayectorias completas y la estimación de la incertidumbre asociada.
• Benchmarking Riguroso: La metodología se valida comparando los resultados de la inferencia amortizada contra el algoritmo de Filtrado Hacia Adelante y Muestreo Hacia Atrás (FFBS), que se considera el estándar de oro (solución exacta) para modelos lineales gaussianos.

4. Resultados

• Validación Sintética: En datos simulados (Normal-Gamma estacionario y DLM temporal), la red ABI aprendió con éxito las distribuciones posteriores. Aunque los intervalos de credibilidad de ABI fueron ligeramente más amplios que los de FFBS, capturaron correctamente las tendencias y los parámetros verdaderos.
• Aplicación a Datos Reales (PASTA-LA):
  • Se aplicó el modelo a 92 sujetos con trayectorias filtradas (5-20 minutos).
  • La ABI logró predecir trayectorias de actígrafos no vistas durante el entrenamiento con tasas de cobertura similares a las del FFBS.
  • Análisis de Variables: Se identificaron patrones temporales en el impacto de variables explicativas (edad, BMI, hora de inicio, pendiente, etc.) sobre la intensidad del ejercicio. Por ejemplo, el BMI mostró significancia estadística en los primeros pasos de tiempo, mientras que la hora de inicio del día fue significativa en un rango específico.
• Eficiencia: El entrenamiento inicial tomó aproximadamente 7.5 horas, pero la inferencia posterior para nuevos datos es casi instantánea, demostrando la ventaja de la amortización.

5. Significado e Impacto

• Escalabilidad: Este enfoque resuelve el cuello de botella computacional del análisis bayesiano en grandes flujos de datos de salud, haciendo viable el análisis en tiempo real o cerca del tiempo real.
• Aplicabilidad Clínica y de Salud Pública: El marco permite construir sistemas de recomendación que pueden generar trayectorias de ejercicio personalizadas y predecir resultados de salud basados en factores ambientales y demográficos, con una cuantificación completa de la incertidumbre.
• Futuro de la IA en Bioestadística: El artículo sienta las bases para el uso de inferencia amortizada en modelos espaciotemporales complejos, sugiriendo que la combinación de aprendizaje profundo y teoría bayesiana puede manejar dependencias no lineales y estructuras de grafos complejas que los métodos tradicionales no pueden capturar eficientemente.

En conclusión, el artículo demuestra que la inferencia bayesiana amortizada es una herramienta poderosa y viable para extraer información estadística robusta de datos de wearables masivos, equilibrando la precisión del modelado bayesiano con la velocidad de la inteligencia artificial.