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

Résumé technique : Régression par machine à noyau bayésienne via les caractéristiques de Fourier aléatoires pour l'estimation des effets de santé conjoints de multiples expositions

Énoncé du problème
L'épidémiologie environnementale s'est traditionnellement concentrée sur les analyses d'exposition unique, pourtant les êtres humains sont simultanément exposés à de multiples facteurs de risque corrélés. La régression par machine à noyau bayésienne (BKMR) est une méthode largement utilisée pour estimer les effets conjoints et non linéaires de multiples expositions en modélisant la surface réponse-exposition comme une réalisation d'un processus gaussien. Cependant, la BKMR est confrontée à des goulots d'étranglement computationnels importants lorsqu'elle est appliquée à de grands ensembles de données. La méthode nécessite l'inversion répétée d'une matrice à noyau de dimension $n \times n$ lors des itérations de Monte Carlo par chaînes de Markov (MCMC), où $n$ est la taille de l'échantillon. Cela rend la BKMR numériquement irréalisable pour les grandes bases de données de santé administratives (par exemple, $n > 5\,000$). Bien que des approximations existantes comme le processus prédictif (utilisant des nœuds) existent, elles souffrent de défis tels que le lissage excessif (oversmoothing) et l'absence de directives claires pour la sélection des nœuds dans les contextes multivariés.

Méthodologie : Fast BKMR
Les auteurs proposent la « Fast BKMR », une méthode qui remplace les effets aléatoires de la machine à noyau par des caractéristiques de Fourier aléatoires (RFF) supervisées. Cette approche exploite le théorème de Bochner, qui stipule que tout noyau stationnaire de définition positive peut être exprimé comme la transformée de Fourier de sa densité spectrale.

Composantes méthodologiques clés :

• Expansion de base : La fonction d'effet aléatoire $h(x_i)$ est approximée par un ensemble fini de fonctions de base :
  $$h(x_i) \approx \sum_{j=1}^{J} a_j \cos(\omega_j^T x_i) + b_j \sin(\omega_j^T x_i)$$
  où $\omega_j$ sont des fréquences échantillonnées à partir d'une densité spectrale, et $a_j, b_j$ sont des coefficients d'effets aléatoires.
• Apprentissage supervisé : Contrairement aux RFF standard indépendantes des données, cette méthode traite les fréquences $\omega_j$ comme des variables aléatoires à apprendre à partir des données. Cela permet aux fonctions de base d'être adaptatives à la surface réponse-exposition spécifique.
• Recadrage du modèle : En utilisant les RFF, la régression par machine à noyau est recadrée comme un modèle linéaire à effets mixtes. Cela élimine la nécessité d'inverser la matrice à noyau $n \times n$, réduisant considérablement la complexité computationnelle.
• Inférence : L'inférence bayésienne est réalisée par MCMC en utilisant des algorithmes de Monte Carlo Hamiltonien (HMC). Les fréquences $\omega_j$ et les coefficients $(\gamma, a_j, b_j)$ sont mis à jour par blocs. Le nombre de fonctions de base ($J$) est sélectionné à l'aide du critère d'information de Watanabe-Akaike (WAIC).

Contributions clés et résultats
L'article évalue la Fast BKMR à travers des études de simulation et une application au monde réel, en comparant la méthode à la BKMR standard et à la BKMR avec processus prédictif (PP).

1. Efficacité computationnelle : La Fast BKMR démontre des réductions substantielles du temps de calcul. Dans des simulations avec $N=10\,000$ et 10 expositions, la BKMR standard avec PP a nécessité environ 6,6 jours pour ajuster un modèle, tandis que la Fast BKMR n'a nécessité qu'environ 1 jour (avec $J=1\,000$). Pour des ensembles de bases plus petits (par exemple, $J=5$), la réduction de temps est encore plus spectaculaire (jusqu'à 99 % de réduction). Le temps de calcul de la Fast BKMR augmente presque linéairement avec la taille de l'échantillon et le nombre de fonctions de base, alors que la BKMR avec PP évolue mal avec la taille de l'échantillon et le nombre d'expositions.
2. Précision de l'estimation :
   • Corrélation forte : Lorsque la surface réponse-exposition présente de fortes corrélations (fréquentes dans les données de pollution atmosphérique), la Fast BKBR surpasse la BKMR avec PP, même avec un petit nombre de fonctions de base.
   • Erreur de spécification du noyau : Dans les scénarios où le noyau réel diffère du noyau gaussien supposé, la Fast BKMR maintient des performances robustes, offrant souvent une erreur quadratique moyenne (RMSE) plus faible que la BKMR avec PP, particulièrement avec un nombre d'expositions plus élevé.
   • Scénarios paramétriques : Lorsque la véritable fonction réponse-exposition est paramétrique (non gaussienne), la Fast BKMR atteint des performances comparables à la BKMR standard à mesure que le nombre de fonctions de base augmente, tout en maintenant une vitesse supérieure.
3. Application aux données de poids de naissance : La méthode a été appliquée à un ensemble de 273 711 dossiers de naissance de Géorgie pour analyser les effets conjoints du CO, du NO$_2$ et des PM$_{2,5}$ sur le poids de naissance. La Fast BKMR a réussi à capturer des effets conjoints non linéaires complexes et a fourni des intervalles postérieurs plus étroits par rapport aux modèles linéaires multi-polluants avec termes d'interaction. L'analyse a confirmé que des niveaux accrus de NO$_2$ et de PM$_{2,5}$ sont associés à une réduction du poids de naissance, tandis que l'association pour le CO était positive mais non statistiquement significative.

Signification et affirmations
Les auteurs affirment que la Fast BKMR résout le problème critique de l'évolutivité de la BKMR, permettant l'analyse de grandes bases de données de santé administratives qui étaient auparavant intratables. La méthode offre une alternative efficace sur le plan computationnel qui ne sacrifie pas la flexibilité de la modélisation des effets non linéaires conjoints et des interactions.

L'article souligne plusieurs avantages spécifiques :

• Évolutivité : Elle facilite l'analyse de jeux de données comprenant des dizaines de milliers d'observations et de multiples expositions.
• Robustesse : Elle performe bien même lorsque la surface réponse-exposition présente de fortes dépendances ou lorsque le noyau est mal spécifié.
• Stabilité numérique : En évitant l'inversion de la matrice à noyau, la méthode contourne les problèmes de singularité numérique qui surviennent dans la régression par processus gaussien lorsque les expositions sont fortement corrélées (par exemple, des individus vivant dans le même secteur de recensement partageant des données d'exposition identiques).
• Flexibilité : La nature supervisée des RFF permet aux fonctions de base de s'adapter aux données, offrant un avantage par rapport aux expansions déterministes comme l'expansion de Karhunen–Loève.

Les auteurs notent des limites, notamment le fait que la méthode est toujours plus chronophage que les alternatives non bayésiennes (comme WQS ou q-gcomp) et qu'elle ne s'applique actuellement qu'aux résultats continus. Ils suggèrent que des travaux futurs pourraient explorer la sélection de variables via des priors de type « spike-and-slab » et des extensions aux modèles linéaires généralisés pour les résultats binaires ou de comptage.