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

Sintesi Tecnica: Regressione a Kernel Bayesiana tramite Random Fourier Features per la Stima degli Effetti Coniunti sulla Salute di Esposizioni Multiple

Problema
L'epidemiologia ambientale si è tradizionalmente concentrata su analisi di singola esposizione, tuttavia gli esseri umani sono simultaneamente esposti a molteplici fattori di rischio correlati. La Regressione a Kernel Bayesiana (BKMR) è un metodo ampiamente utilizzato per stimare gli effetti congiunti e non lineari di molteplici esposizioni, modellando la superficie esposizione-risposta come una realizzazione di un processo gaussiano. Tuttavia, la BKMR affronta significativi colli di bottiglia computazionali quando applicata a grandi set di dati. Il metodo richiede l'inversione ripetuta di una matrice kernel $n \times n$ durante le iterazioni di Markov Chain Monte Carlo (MCMC), dove $n$ è la dimensione del campione. Ciò rende la BKMR computazionalmente impraticabile per grandi database sanitari amministrativi (ad esempio, $n > 5.000$). Esistono approcci di approssimazione esistenti, come il processo predittivo (utilizzando i nodi o knots), che però soffrono di sfide quali l'eccessivo livellamento (oversmoothing) e la mancanza di una guida chiara per la selezione dei nodi in contesti multivariati.

Metodologia: Fast BKMR
Gli autori propongono "Fast BKMM", un metodo che sostituisce gli effetti casuali del processo gaussiano nella BKMR con le Random Fourier Features (RFF) supervisionate. Questo approccio sfrutta il teorema di Bochner, il quale afferma che qualsiasi kernel stazionario e definito positivo può essere espresso come la trasformata di Fourier della sua densità spettrale.

Componenti metodologiche chiave:

• Espansione di base: La funzione dell'effetto casuale $h(x_i)$ è approssimata da un insieme finito di funzioni di base:
  $$h(x_i) \approx \sum_{j=1}^{J} a_j \cos(\omega_j^T x_i) + b_j \sin(\omega_j^T x_i)$$
  dove $\omega_j$ sono frequenze campionate da una densità spettrale, e $a_j, b_j$ sono coefficienti dell'effetto casuale.
• Apprendimento Supervisionato: A differenza delle RFF standard indipendenti dai dati, questo metodo tratta le frequenze $\omega_j$ come variabili casuali da apprendere dai dati. Ciò consente alle funzioni di base di essere adattive alla specifica superficie esposizione-risposta.
• Riformulazione del Modello: Utilizzando le RFF, la regressione a kernel machine viene riformulata come un modello lineare a effetti misti. Questo elimina la necessità di invertire la matrice kernel $n \times n$, riducendo significativamente la complessità computazionale.
• Inferenza: L'inferenza bayesiana è condotta tramite MCMC utilizzando algoritmi di Hamiltonian Monte Carlo (HMC). Le frequenze $\omega_j$ e i coefficienti $(\gamma, a_j, b_j)$ vengono aggiornati in blocchi. Il numero di funzioni di base ($J$) viene selezionato utilizzando il criterio dell'Informazione di Watanabe-Akaike (WAIC).

Contributi Chiave e Risultati
Gli autori valutano la Fast BKMR attraverso studi di simulazione e un'applicazione nel mondo reale, confrontandola con la BKMR standard e con la BKMR con processo predittivo (PP).

1. Efficienza Computazionale: Fast BKMR dimostra riduzioni sostanziali nei tempi di calcolo. In simulazioni con $N=10.000$ e 10 esposizioni, la BKMR standard con PP ha impiegato circa 6,6 giorni per adattare un modello, mentre la Fast BKMR ha richiesto solo circa 1 giorno (con $J=1.000$). Per set di basi più piccoli (ad esempio, $J=5$), la riduzione di tempo è stata ancora più drammatica (fino al 99% di riduzione). Il tempo di calcolo per Fast BKMR scala quasi linearmente con la dimensione del campione e il numero di funzioni di base, mentre la BKMR con PP scala in modo inefficiente sia con la dimensione del campione che con il numero di esposizioni.
2. Accuratezza della Stima:
   • Correlazione Forte: Quando la superficie esposizione-risposta presenta forti correlazioni (comuni nei dati sull'inquinamento atmosferico), la Fast BKMR supera la BKMR con PP, anche con un piccolo numero di funzioni di base.
   • Errata Specificazione del Kernel: In scenari in cui il vero kernel differisce dal kernel gaussiano assunto, la Fast BKMR mantiene prestazioni robuste, offrendo spesso un errore quadratico medio (RMSE) inferiore rispetto alla BKmR con PP, specialmente con un numero maggiore di esposizioni.
   • Scenari Parametrici: Quando la vera funzione esposizione-risposta è parametrica (non gaussiana), la Fast BKMR raggiunge prestazioni comparabili alla BKMR standard all'aumentare del numero di funzioni di base, mantenendo al contempo una velocità superiore.
3. Applicazione ai Dati sul Peso alla Nascita: Il metodo è stato applicato a un dataset di 273.711 record di nascite della Georgia per analizzare gli effetti congiunti di CO, NO$_2$ e PM$_{2.5}$ sul peso alla nascita. La Fast BKMR è riuscita a catturare complessi effetti congiunti non lineari e ha fornito intervalli posteriori più stretti rispetto ai modelli lineari multi-inquinante con termini di interazione. L'analisi ha confermato che livelli crescenti di NO$_2$ e PM$_{2.5}$ sono associati a una riduzione del peso alla nascita, mentre l'associazione per il CO è stata positiva ma non statisticamente significativa.

Significato e Rivendicazioni
Gli autori affermano che la Fast BKMR affronta il critico problema della scalabilità della BKMR, consentendo l'analisi di grandi database sanitari amministrativi che prima erano impraticabili. Il metodo offre un'alternativa computazionalmente efficiente che non sacrifica la flessibilità di modellare effetti non lineari congiunti e interazioni.

Il documento evidenzia alcuni vantaggi specifici:

• Scalabilità: Facilita l'analisi di dataset con decine di migliaia di osservazioni e molteplici esposizioni.
• Robustezza: Funziona bene anche quando la superficie esposizione-risposta presenta forti dipendenze o quando il kernel è errato.
• Stabilità Numerica: Evitando l'inversione della matrice kernel, il metodo evita i problemi di singolarità numerica che sorgono nella regressione a processi gaussiani quando le esposizioni sono altamente correlate (ad esempio, individui nello stesso settore censuario che condividono dati di esposizione identici).
• Flessibilità: La natura supervisionata delle RFF consente alle funzioni di base di adattarsi ai dati, offrendo un vantaggio rispetto alle espansioni deterministiche come l'espansione di Karhunen–Loève.

Gli autori segnalano alcune limitazioni, tra cui il fatto che il metodo è comunque più dispendioso in termini di tempo rispetto alle alternative non bayesiane (come WQS o q-gcomp) e attualmente si applica solo a esiti continui. Suggeriscono che il lavoro futuro potrebbe esplorare la selezione delle variabili tramite prior spike-and-slab ed estensioni ai modelli lineari generalizzati per esiti binari o di conteggio.