Scalar-on-distribution regression via generalized odds with applications to accelerometry-assessed disability in multiple sclerosis

Résumé Technique : Régression Scalaire sur Distribution via les Odds Généralisés

Énoncé du Problème
Les technologies de santé numérique (DHT) génèrent des données comportementales continues et à haute résolution (par exemple, l'accélérométrie à la minute près) qui forment des distributions riches et spécifiques à chaque sujet. Bien que ces distributions contiennent plus d'informations que les résumés scalaires (par exemple, les comptes totaux d'activité quotidienne), identifier quels traits distributionnels sont les plus prédictifs des résultats cliniques reste un défi ouvert. Des travaux antérieurs par Niyogi et al. [2024] ont démontré que les représentations basées sur le risque (hazard-based), qui mettent l'accent sur le comportement des queues de distribution (niveaux d'activité extrêmes), surpassent d'autres représentations pour prédire le handicap dans la sclérose en plaques (SEP). Cependant, les méthodes existantes reposent souvent sur des objets distributionnels spécifiques (densités, quantiles, survie ou fonctions de risque) qui peuvent ne pas capturer pleinement le contraste entre les valeurs extrêmes et typiques, particulièrement dans des contextes de données éparses ou discrètes.

Méthodologie
Les auteurs proposent un cadre unifié d'Odds Généralisés (GO) pour représenter les distributions spécifiques aux sujets, ainsi qu'un modèle de régression scalaire sur les odds correspondant.

1. Définition des Odds Généralisés :
   Le cadre définit une fonction d'odds généralisés spécifique au sujet, $h_{4,F}$, comme le ratio des probabilités de deux événements arbitraires au sein de l'espace échantillon. Pour une variable aléatoire $X$ de distribution $F$, et des intervalles $A=[u_1, u_2]$ et $B=[u_3, u_4]$, la GO est définie comme :
   $$h_{4,F}(u_1, u_2, u_3, u_4) = \frac{P(X \in [u_3, u_4])}{P(X \in [u_1, u_2])} = \frac{F(u_4) - F(u_3)}{F(u_2) - F(u_1)}$$
   Cette formulation généralise les objets distributionnels existants :

   • Fonction de Masse de Probabilité (PMF) : $h_{4,F}(0, D, k, k-1) = p(k)$.
   • Fonction de Risque (Hazard Function) : $h_{4,F}(k, D, k-1, k) = \lambda(k)$.
   • Distribution de Vie Résiduelle : $h_{4,F}(t, D, t, t+u)$.
   • Objets à 1 indice et 2 indices : Cas particuliers comparant la survie à la probabilité cumulée ($S(u)/F(u)$) ou la survie à la survie ($S(u_2)/F(u_1)$).

2. Modèle de Régression :
   Les auteurs formulent un modèle de régression scalaire sur fonctionnel où le résultat clinique $y_i$ (par exemple, le score EDSS) est lié à la fonction de GO $h_{F_i}$ via une fonction de lien $g$ :
   $$g(\mu_i) = \alpha + \int \beta(u) h_{F_i}(u) du$$
   où $\mu_i = E[y_i | X_i]$. La fonction de coefficient $\beta(u)$ est estimée à l'aide d'une représentation fonctionnelle basée sur les splines. Plus précisément, $\beta$ est approximé par un produit tensoriel de fonctions de base B-spline :
   $$\beta(u_1, u_2, u_3, u_4) = \sum_{k_1}\sum_{k_2}\sum_{k_3}\sum_{k_4} b_{k_1,k_2,k_3,k_4} B_{k_1}(u_1)B_{k_2}(u_2)B_{k_3}(u_3)B_{k_4}(u_4)$$

3. Estimation et Régularisation :
   Pour gérer la haute dimensionnalité des coefficients tensoriels et identifier les régions distributionnelles informatives, les auteurs emploient une estimation par vraisemblance pénalisée. Ils évaluent quatre fonctions de pénalité pour induire la parcimonie et la sélection de variables :

   • Lasso ($L_1$)
   • Elastic Net
   • Smoothly Clipped Absolute Deviation (SCAD)
   • Minimax Concave Penalty (MCP)

Données et Application
La méthodologie est appliquée aux données de l'étude HEAL-MS (Home-based Evaluation of Actigraphy to Predict Longitudinal Function in Multiple Sclerosis), impliquant 248 participants atteints de SEP.

• Prédicteurs : Données d'accélérométrie au poignet (GT9X Actigraph) collectées sur 2 semaines, traitées en comptes d'activité par époque d'une minute (transformés logarithmiquement) de 8h00 à -20h00.
• Résultat : Scores de l'Expanded Disability Status Scale (EDSS) (0–10).
• Comparaison : Les modèles GO sont comparés aux résumés scalaires classiques (comptes d'activité moyenne) et aux modèles scalaire-sur-survie.

Résultats Clés
En utilisant une validation croisée à 5 plis avec 100 réplications, l'étude rapporte les performances prédictives suivantes (mesurées par $R^2$ en validation croisée) pour les scores EDSS :

• Résumé Scalaire (Activité Moyenne) : $R^2 \approx 0,095$.
• Scalaire-sur-Survie : $R^2 \approx 0,115$.
• Scalaire-sur-Odds à 1 indice : $R^2 \approx 0,151$ (Lasso).
• Scalaire-sur-Odds à 2 indices : $R^2 \approx 0,146 - 0,151$.
• Scalaire-sur-Odds à 4 indices (Généralisé) : $R^2 \approx 0,208 - 0,209$.

Le modèle GO à 4 indices a systématiquement surpassé toutes les autres approches, doublant presque la performance prédictive du résumé scalaire et améliorant significativement le modèle basé sur la survie. Les pénalités Elastic Net et Lasso ont produit les valeurs de $R^2$ les plus élevées pour le modèle de 4 indices.

Signification et Revendications
L'article affirme que le cadre des Odds Généralisés offre une avancée méthodologique significative en ce qui concerne :

1. Ciblage Direct du Comportement des Queues : Contraなり aux représentations à indice unique (par exemple, les densités) qui résument la forme globale, les fonctions de GO contrastent explicitement les valeurs extrêmes avec les valeurs typiques, capturant le « comportement des queues » identifié comme critique dans les recherches antérieures sur la SEP.
2. Robustesse : La formulation basée sur des ratios reste bien définie et stable, même pour des données éparses, bornées ou discrètes où l'estimation directe de la densité pourrait échouer.
3. Cadre Unifié : Il englobe les représentations de risque, de survie et de vie résiduelle comme des cas particuliers, fournissant une approche flexible et unifiée pour les covariables distributionnelles.

Les auteurs concluent que les covariables distributionnelles basées sur les odds offrent une valeur prédictive supérieure pour les données de DHT dans les contextes cliniques, démontrant spécifiquement que le comportement des queues de la l'activité physique est un moteur critique des résultats de handicap dans la sclérose en plaques. Ils notent que bien que l'application se soit concentrée sur la SEP, le cadre est largement applicable à d'autres domaines où les contrastes entre comportements extrêmes et typiques sont scientifiquement significatifs.