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

Sintesi Tecnica: Regressione Scalare-sulle-Distribuzioni tramite Odds Generalizzati

Enunciato del Problema
Le tecnologie digitali per la salute (DHT) generano dati comportamentali continui e ad alta risoluzione (ad esempio, accelerometria a livello di minuto) che formano ricche distribuzioni specifiche per il soggetto. Sebbene queste distribuzioni contengano più informazioni rispetto ai riassunti scalari (ad esempio, i conteggi totali dell'attività giornaliera), identificare quali caratteristiche distribuzionali siano più predittive degli esiti clinici rimane una sfida aperta. Il lavoro precedente di Niyogi et al. [2024] ha dimostrato che le rappresentazioni basate sull'hazard (funzione di rischio), che enfatizzano il comportamento della coda (livelli di attività estremi), superano altre rappresentazioni nella previsione della disabilità nella sclerosi multipla (SM). Tuttavia, i metodi esistenti spesso si affidano a specifici oggetti distribuzionali (densità, quantili, sopravvivenza o funzioni di hazard) che potrebbero non catturare pienamente il contrasto tra valori estremi e tipici, particolarmente in contesti di dati sparsi o discreti.

Metodologia
Gli autori propongono un quadro unificato di Odds Generalizzati (GO) per rappresentare le distribuzioni specifiche del soggetto e un corrispondente modello di regressione scalare-sulle-odds.

1. Definizione di Odds Generalizzati:
   Il framework definisce una funzione di odds generalizzati specifica per il soggetto, $h_{4,F}$, come il rapporto tra le probabilità di due eventi arbitrari all'interno dello spazio campionario. Per una variabile casuale $X$ con distribuzione $F$, e intervalli $A=[u_1, u_2]$ e $B=[u_3, u_4]$, la GO è definita come:
   $$h_{4,F}(u_1, u_2, u_3, u_4) = \frac{P(X \in [u_3, u_4])}{P(X \in [u_1, u_2])} = \frac{F(u_4) - F(u_3)}{F(u_2) - F(u_1)}$$
   Questa formulazione generalizza gli oggetti distribuzionali esistenti:

   • Funzione di Massa di Probabilità (PMF): $h_{4,F}(0, D, k, k-1) = p(k)$.
   • Funzione di Hazard: $h_{4,F}(k, D, k-1, k) = \lambda(k)$.
   • Distribuzione della Vita Residua: $h_{4,F}(t, D, t, t+u)$.
   • Oggetti a 1-indice e 2-indici: Casi speciali che confrontano la sopravvivenza con la probabilità cumulativa ($S(u)/F(u)$) o la sopravvivenza con la sopravvivenza ($S(u_2)/F(u_1)$).

2. Modello di Regressione:
   Gli autori formulano un modello di regressione scalare-su-funzionale in cui l'esito clinico $y_i$ (ad esempio, il punteggio EDSS) è collegato alla funzione GO $h_{F_i}$ tramite una funzione di legame $g$:
   $$g(\mu_i) = \alpha + \int \beta(u) h_{F_i}(u) du$$
   dove $\mu_i = E[y_i | X_i]$. La funzione di coefficiente $\beta(u)$ è stimata utilizzando una rappresentazione funzionale basata su spline. Nello specifico, $\beta$ è approssimato tramite un prodotto tensoriale di funzioni di 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. Stima e Regolarizzazione:
   Per gestire l'alta dimensionalità dei coefficienti tensoriali e identificare le regioni distribuzionali informative, gli autori impiegano la stima della verosimiglianza penalizzata. Valutano quattro funzioni di penalità per indurre la sparsità e la selezione delle variabili:

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

Dati e Applicazione
La metodologia è applicata ai dati dello studio HEAL-MS (Home-based Evaluation of Actigraphy to Predict Longitudinal Function in Multiple Sclerosis), che coinvolge 248 partecipanti con SM.

• Predittori: Dati di accelerometria indossati al polso (GT9X Actigraph), raccolti per 2 settimane, elaborati in conteggi di attività per epoca di 1 minuto (trasformati in scala logaritmica) dalle 8:00 alle 20:00.
• Esito: Punteggi della scala Expanded Disability Status Scale (EDSS) (0–10).
• Confronto: I modelli GO sono confrontati con i classici riassunti scalari (conteggi medi dell'attività) e con modelli scalare-sulla-sopravvivenza.

Risultati Chiave
Utilizzando la validazione incrociata a 5 pieghe con 100 replicazioni, lo studio riporta le seguenti prestazioni predittive (misurate tramite $R^2$ in validazione incrociata) per i punteggi EDSS:

• Riassunto Scalare (Attività Media): $R^2 \approx 0.095$.
• Scalare-sulla-Sopravvivenza: $R^2 \approx 0.115$.
• Scalare-sulle-Odds a 1-indice: $R^2 \approx 0.151$ (Lasso).
• Scalare-sulle-Odds a 2-indici: $R^2 \approx 0.146 - 0.151$.
• Scalare-sulle-Odds a 4-indici (Generalizzato): $R^2 \approx 0.208 - 0.209$.

Il modello GO a 4 indici ha costantemente superato tutti gli altri approcci, quasi raddoppiando la capacità predittiva del riassunto scalare e migliorando significativamente il modello basato sulla sopravvivenza. Le penalità Elastic Net e Lasso hanno fornito i valori di $R^2$ più elevati per il modello a 4 indici.

Significatività e Rivendicazioni
L'articolo sostiene che il framework delle Odds Generalizzate offra un significativo avanzamento metodologico in quanto:

1. Mira Direttamente al Comportamento della Coda: A differenza delle rappresentazioni a indice singolo (ad esempio, le densità) che riassumono la forma complessiva, le funzioni GO contrastano esplicitamente i valori estremi rispetto ai valori tipici, catturando il "comportamento della coda" identificato come critico nella precedente ricerca sulla SM.
2. Robustezza: La formulazione basata su rapporti rimane ben definita e stabile anche per dati sparsi, limitati o discreti dove la stima diretta della densità potrebbe fallire.
3. Framework Unificato: Esso sottende le rappresentazioni di hazard, sopravvivenza e vita residua come casi speciali, fornendo un approccio flessibile e unificato per le covariate distribuzionali.

Gli autori concludono che le covariate distribuzionali basate sulle odds forniscono un valore predittivo superiore per i dati DHT in contesti clinici, dimostrando specificamente che il comportamento della coda nell'attività fisica è un driver critico degli esiti di disabilità nella sclerosi multipla. Notano che, sebbene l'applicazione si sia concentrata sulla SM, il framework è ampiamente applicabile ad altri domini in cui i contrasti tra comportamenti estremi e tipici sono scientificamente significativi.