Variable Domain Multivariate Functional Principal Component Analysis

Ce papier propose une nouvelle méthode d'Analyse en Composantes Principales Fonctionnelles Multivariées (ACPFM) qui prend en compte des domaines d'observation variables en unifiant les scores de domaine variable univariés et en lissant leur covariance, démontrant une performance supérieure aux approches existantes grâce à des simulations et à une application réelle sur des données de surveillance de patients atteints de COVID-19.

L'essentiel

Le Problème : Le Dilemme du « Film Inadapté »

Imaginez que vous êtes critique de cinéma essayant de revoir un nouveau film. Vous avez 1 000 copies différentes du même film, mais il y a un piège :

• Certaines personnes ont vu le film complet de 2 heures.
• Certaines personnes n'ont vu que les 30 premières minutes car elles se sont endormies.
• D'autres n'ont vu que les 15 dernières minutes car elles sont arrivées en retard.

Maintenant, imaginez que vous essayez d'analyser deux choses se produisant dans le film en même temps : les rebondissements de l'intrigue (Variable 1) et la musique de fond (Variable 2).

L'Ancienne Méthode (L'Approche par « Tranches ») :
Les méthodes précédentes pour analyser ces données consistaient à dire : « D'accord, regardons seulement les 30 premières minutes du film de tout le monde. »

• Le Problème : Vous jetez toutes les informations des personnes qui ont vu le film en entier. Vous perdez les rebondissements qui surviennent à la fin.
• L'Alternative : Vous pourriez découper l'audience en groupes : « Groupe A a vu 0–30 min », « Groupe B a vu 30–60 min ». Mais c'est désordonné. Cela traite un spectateur de 29 minutes comme totalement différent d'un spectateur de 31 minutes, même si leur expérience était presque identique. C'est comme classer une bibliothèque par « livres de 100 pages » et « livres de 101 pages » au lieu de simplement lire l'histoire.

La Solution du Document (VD-MFPCA) :
Ce document introduit une nouvelle façon, plus intelligente, d'analyser ces « films inadaptés ». Au lieu de couper les données ou de forcer tout le monde dans des cases rigides, les auteurs ont créé une méthode qui comprend comment la durée du film modifie l'histoire.

Comment Fonctionne la Nouvelle Méthode : Le « Montage Intelligent »

Les auteurs proposent un processus en quatre étapes qui agit comme un monteur de film très intelligent :

1. Monter Chaque Scène Séparément : D'abord, ils examinent l'« Intrigue » et la « Musique » séparément. Ils déterminent l'histoire et la musique moyennes pour les personnes ayant vu des extraits courts, moyens et longs. Ils réalisent que l'« intrigue moyenne » pour un extrait court ressemble différemment de l'« intrigue moyenne » pour un extrait long.
2. Empiler les Notes : Ils prennent les « notes » (scores) de l'analyse de l'intrigue et les « notes » de l'analyse de la musique et les empilent ensemble pour chaque personne.
3. Le Smoothie Magique (L'Innovation Clé) : Voici la partie géniale. Ils réalisent que la relation entre l'intrigue et la musique change en fonction de la durée du film.
   • Analogie : Imaginez que dans les films courts, l'intrigue et la musique sont très étroitement liées. Mais dans les films longs, elles s'éloignent l'une de l'autre. Les anciennes méthodes supposaient qu'elles étaient liées de la même manière pour tout le monde. Cette nouvelle méthode utilise un « mixeur à smoothie » (appelé mathématiquement splines pénalisées) pour mélanger ces relations de manière fluide. Elle ne force pas une coupure nette ; elle crée une courbe lisse qui montre comment la connexion change à mesure que le film devient plus long.
4. La Critique Finale : Maintenant, ils peuvent trouver les « thèmes principaux » (Composantes Principales) qui expliquent le film, sachant exactement comment ces thèmes évoluent en fonction de la durée de visionnage du spectateur.

Le Test : Est-ce que ça a Marché ?

Les auteurs ont lancé une simulation massive (un « cinéma virtuel ») pour tester leur méthode contre l'ancienne méthode de « coupure ».

• Le Déroulement : Ils ont créé de fausses données où certains « patients » (ou spectateurs de films) avaient des temps d'observation courts et d'autres des temps longs.
• Le Résultat : La nouvelle méthode était beaucoup meilleure. Elle a reconstruit les « films » avec beaucoup moins d'erreurs. L'ancienne méthode était comme essayer de deviner la fin d'un roman policier en ne lisant que le premier chapitre ; la nouvelle méthode a lu le livre entier pour ceux qui l'avaient, et les courts chapitres pour ceux qui ne l'avaient pas, et a quand même compris toute l'histoire parfaitement.

L'Application Réelle : Le Film des « Signes Vitaux » à l'Hôpital

Pour prouver que cela fonctionne dans la vie réelle, les auteurs ont appliqué leur méthode à des patients atteints de COVID-19 dans un hôpital.

• Les Données : Ils ont suivi deux signes vitaux : la Saturation en Oxygène (SpO2) et la Température Corporelle.
• Le Domaine Variable : Certains patients étaient à l'hôpital pendant 3 jours ; d'autres y étaient restés pendant 3 mois. Leurs « films d'observation » avaient des durées différentes.
• Ce Qu'ils Ont Découvert :
  • L'Histoire Moyenne : Ils ont pu voir que les patients restés plus longtemps commençaient avec des niveaux d'oxygène plus bas qui s'amélioraient lentement, tandis que les patients de courte durée avaient une oxygénation stable. La température de presque tout le monde a commencé haute (fièvre) et a baissé, indépendamment de la durée du séjour.
  • Le « Thème Principal » (PC1) : Le motif le plus important qu'ils ont trouvé (appelé la première composante principale) était une combinaison spécifique de changements d'oxygène et de température.
  • La Prédiction : Ils ont découvert que les patients ayant un « score élevé » sur ce thème principal avaient beaucoup plus de risques de mourir (25 % de mortalité) par rapport à ceux ayant un score faible (7 % de mortalité).
  • Facteur Âge : Les patients plus âgés avaient naturellement des scores plus élevés sur ce « motif dangereux ».

La Conclusion

Ce document dit : Arrêtez de couper vos données simplement parce que les gens ont regardé pendant des durées différentes.

En utilisant leur nouvelle méthode de « Domaine Variable », les chercheurs peuvent analyser simultanément plusieurs éléments changeants (comme la fréquence cardiaque et la température), même si certaines personnes sont observées pendant une semaine et d'autres pendant un an. Cela capture l'histoire complète sans jeter la fin, conduisant à des prédictions beaucoup plus précises sur la santé des patients.

Résumé technique

Résumé technique : Analyse en composantes principales fonctionnelles multivariées à domaine variable

Énoncé du problème
L'Analyse en Composantes Principales Fonctionnelles Multivariées (MFPCA) est une technique standard de réduction de dimension pour les jeux de données contenant plusieurs variables fonctionnelles (par exemple, des séries temporelles de signes vitaux) observées sur les mêmes sujets. Cependant, les cadres MFPCA existants, tels que l'approche complète de Happ et Greven [2018], reposent sur une hypothèse critique : toutes les observations fonctionnelles doivent être enregistrées sur un domaine commun et fixe. Dans les applications pratiques, en particulier dans les études biomédicales longitudinales, cette hypothèse est fréquemment violée. Les sujets ont souvent des périodes d'observation variables en raison de facteurs tels que des délais d'admission différents, des durées de séjour à l'hôpital variables ou des abandons précoces. Cela se traduit par des « données fonctionnelles à domaine variable », où la longueur du domaine $T_i$ varie d'un sujet à l'autre.

Les solutions ad hoc actuelles pour résoudre ce problème consistent à restreindre l'analyse à un sous-ensemble commun du domaine (en éliminant des données précieuses provenant de sujets ayant des périodes d'observation plus longues) ou à regrouper les sujets en groupes ayant des longueurs de domaine similaires (ce qui introduit une discrétisation arbitraire et échoue à modéliser la dépendance continue de la structure de covariance par rapport à la longueur du domaine). Bien que Johns et al. [2019] aient abordé les domaines variables dans un cadre univarié, aucun cadre existant ne gère efficacement le cas multivarié où plusieurs variables sont observées sur des domaines variables, potentiellement distincts.

Méthodologie
Les auteurs proposent un nouveau cadre, l'Analyse en Composantes Principales Fonctionnelles Multivariées à Domaine Variable (VD-MFPCA), qui étend l'ACP fonctionnelle à domaine variable univariée de Johns et al. [2019] au cadre multivarié. La méthodologie se déroule en quatre étapes distinctes :

1. ACP fonctionnelle à domaine variable univariée : Pour chaque variable fonctionnelle $j$, les auteurs appliquent séparément l'approche de Johns et al. [2019]. Cela implique de modéliser la fonction moyenne $\mu_j(t, T_i)$ et la fonction de covariance $\gamma_j(t, s, T_i)$ comme des fonctions lisses du temps $t$ et de la longueur du domaine $T_i$ en utilisant des splines minces pénalisées (PTPS) dans le cadre d'un modèle additif généralisé. Cela produit des fonctions propres univariées $\hat{\psi}^j_k(t, T_i)$ et des scores $\hat{\xi}^j_{ik}(T_i)$ qui dépendent explicitement de la longueur du domaine du sujet.
2. Empilement des scores univariés : Les scores univariés pour chaque sujet sont empilés dans un vecteur unique $\xi_i(T_i)$.
3. Modélisation de la covariance des scores en fonction de la longueur du domaine : C'est l'innovation centrale. Les auteurs reconnaissent que la matrice de covariance des scores empilés, $C(T_i) = \text{Cov}(\xi_i | T = T_i)$, dépend de la longueur du domaine. Au lieu de supposer une structure de covariance fixe, ils modélisent chaque élément unique de la matrice de covariance empirique comme une fonction lisse de $T$ en utilisant des splines pénalisées. Cela permet d'estimer une matrice de covariance lisse $\hat{C}(T)$ pour n'importe quelle longueur de domaine.
4. Décomposition spectrale multivariée : Pour toute longueur de domaine spécifique $T$, la matrice de covariance estimée $\hat{C}(T)$ est décomposée pour obtenir des valeurs propres multivariées $\nu_m(T)$ et des vecteurs propres $c_m(T)$. Ceux-ci sont utilisés pour calculer des scores multivariés $\rho_{im}(T_i)$ et des fonctions propres multivariées $\Psi^j_m(t, T_i)$, qui dépendent désormais à la fois du temps et de la longueur de domaine spécifique du sujet.

Contributions clés

• Cadre novateur : L'article présente la première méthodologie pour la MFPCA qui prend explicitement en compte les domaines d'observation variables sans tronquer les données ni discrétiser les sujets en groupes.
• Extension théorique : Il étend le cadre d'ACP fonctionnelle à domaine variable univarié au cadre multivarié, abordant le défi complexe de la modélisation de la structure de dépendance entre plusieurs variables lorsque celles-ci sont observées sur des intervalles de temps différents.
• Modélisation lisse de la covariance : En modélisant la covariance des scores empilés comme une fonction lisse de la longueur du domaine, la méthode capture les variations continues de la structure de dépendance que les stratégies de regroupement en groupes manquent.

Résultats
Les auteurs valident la méthode par le biais d'études de simulation extensives et d'une application réelle.

• Étude de simulation : La VD-MFPCA proposée a été comparée à une approche de « regroupement en groupes » (regroupement des sujets par longueur de domaine et troncature des données à la longueur minimale dans chaque groupe).

  • Précision de reconstruction : La VD-MFPCA a systématiquement atteint une erreur quadratique moyenne racine (ARMSE) substantiellement plus faible pour la reconstruction des observations fonctionnelles par rapport à l'approche de regroupement, avec des améliorations allant de 50 % à plus de 80 % dans divers scénarios.
  • Estimation des fonctions propres : La VD-MFPCA a démontré une précision supérieure dans l'estimation des fonctions propres, en particulier sous des distributions de longueurs de domaine asymétriques (par exemple, binomiale négative), où l'approche de regroupement souffrait d'erreurs élevées dues à la perte d'information dans les domaines tronqués.
  • Robustesse : La méthode proposée est restée stable à travers différentes tailles d'échantillon ($N=100, 500$), niveaux de bruit et distributions de domaines, tandis que l'approche de regroupement a montré une sensibilité à la forme de la distribution et au nombre de groupes utilisés.

• Application aux données COVID-19 : La méthode a été appliquée aux trajectoires de température corporelle et de saturation en oxygène capillaire (SpO2) de 782 patients hospitalisés atteints de COVID-19 avec des durées de séjour variables (allant d'environ 3 jours à environ 125 jours).

  • Modèles dépendants du domaine : L'analyse a révélé que les trajectoires moyennes et les structures de variance dépendent de la durée d'hospitalisation. Par exemple, les patients ayant des séjours plus longs présentaient initialement des niveaux de SpO2 plus faibles qui s'amélioraient progressivement, un modèle masqué par les méthodes à domaine fixe.
  • Pertinence clinique : Il a été constaté que les scores de la première composante principale (PC1) étaient fortement associés à la mortalité des patients et à l'âge, mais pas à la longueur de la période d'observation elle-même. Cela confirme que la méthode sépare avec succès les artefacts liés au domaine de la variation physiologique intrinsèque.
  • Valeur pronostique : Les patients du tiers supérieur des scores PC1 avaient un taux de mortalité de 25,3 %, contre environ 7,5 % dans les tiers inférieurs, démontrant la capacité de la méthode à capturer des informations pronostiques à partir des trajectoires conjointes de signes vitaux.

Importance et affirmations
L'article affirme que la VD-MFPCA comble une lacune critique dans l'analyse de données fonctionnelles en fournissant une approche fondée sur des principes pour la réduction de dimension dans des cadres multivariés avec des domaines variables. Les auteurs affirment que leur méthode offre des « gains substantiels » tant en termes de précision de reconstruction que d'estimation des fonctions propres par rapport aux stratégies ad hoc existantes.

L'importance de ce travail réside dans sa capacité à exploiter l'intégralité du contenu informationnel des données longitudinales sans troncature ni discrétisation arbitraire. Dans le contexte de l'application COVID-19, les auteurs soulignent que la méthode capture des modèles physiologiques complexes et évolutifs dans le temps qui sont prédictifs des résultats cliniques (mortalité et sévérité liée à l'âge), lesquels seraient probablement manqués ou biaisés par une MFPCA à domaine fixe traditionnelle. Les auteurs concluent que cette méthodologie est particulièrement précieuse pour la recherche clinique impliquant des données d'hospitalisation et une surveillance longitudinale où les périodes d'observation sont intrinsèquement variables.

L'article reste modeste concernant les limites, reconnaissant que l'implémentation actuelle peut être exigeante en termes de calcul pour des jeux de données très volumineux ou un grand nombre de variables, et notant que des travaux futurs pourraient explorer la quantification bayésienne de l'incertitude et la gestion d'observations irrégulières et éparses dans le cadre à domaine variable.