Bayesian low-rank latent-cluster regression for mixed health outcomes

Sintesi Tecnica: Regressione Bayesiana a Rango Basso con Cluster Latenti per Risultati Sanitari Misti

Enunciato del Problema
Gli studi moderni sulla salute e sulla sorveglianza incontrano frequentemente tre sfide statistiche simultanee: (1) la presenza di predittori ad alta dimensionalità e fortemente collineari; (2) molteplici risultati correlati di tipi misti (ad esempio, dati continui, binari e di conteggio); e (3) eterogeneità latente tra le unità osservative, dove la relazione tra predittori e risultati varia tra sottopopolazioni non osservate. Gli approcci tradizionali spesso falliscono nell'affrontare questi aspetti congiuntamente. Le superfici di regressione globali uniche oscurano un'eterogeneità significativa, mentre i modelli di miscela finita standard possono essere instabili quando i predittori sono altamente correlati e i risultati sono di tipo misto. Inoltre, i metodi esistenti per risultati misti spesso danno priorità alla selezione delle variabili (sparsità) rispetto alla struttura latente a bassa dimensionalità, oppure sono limitati a risposte Gaussiane.

Metodologia
Gli autori propongono un modello di Regressione a Rango Ridotto con Cluster Latenti Bayesiano (BMLC) progettato per risultati multivariati misti. Il framework opera come una miscela finita di superfici di regressione, dove ogni cluster latente $k$ è caratterizzato da:

1. Spostamenti Medi Specifici per Cluster: Un vettore $\mu_k$ che rappresenta l'intercetta per il cluster $k$.
2. Matrici di Coefficienti a Rango Basso: Una matrice di coefficienti $p \times q$, $B_k$, fattorizzata come $B_k = L_k R_k^\top$, dove $L_k \in \mathbb{R}^{p \times r_{\max}}$ e $R_k \in \mathbb{R}^{q \times r_{\max}}$. Questa struttura assume che gli effetti dei predittori sui risultati siano guidati da un piccolo numero di direzioni latenti, con il rango effettivo $r_k \le r_{\max}$ appreso in modo adattivo.
3. Verosimiglianze Miste: Il modello accoglie coordinate di risposta Gaussiane, Bernoulliane e Binomiali Negative all'interno dello stesso framework multivariato.

Strategia Computazionale
Per gestire la complessità computazionale delle verosimiglianze miste, gli autori impiegano l'aumento Pólya–Gamma. Questa tecnica introduce variabili latenti che trasformano i log-verosimiglianze condizionali per le risposte Bernoulliane e Binomiali Negative in una forma quadratica unificata. Questa unificazione consente:

• Campionamento di Gibbs: Uno schema di campionamento esatto per l'inferenza bayesiana completa.
• Inferenza Variazionale (VI): Una routine variazionale rapida a ascesa coordinata che utilizza surrogati quadratici. Questa funge da strumento di screening scalabile per la selezione del modello e l'inizializzazione.

Adattività del Rango e Selezione del Modello

• Adattività del Rango: All'interno di ogni cluster, il rango effettivo è controllato tramite prior di contrazione del Processo Gamma Moltiplicativo (MGP). Ciò permette al modello di apprendere la dimensionalità appropriata senza fissare il rango a priori.
• Selezione del Modello: Il numero di cluster ($K$) e il rango massimo nominale ($r_{\max}$) sono ottimizzati utilizzando il Criterio di Informazione di Watanabe-Akaike (WAIC), specificamente adattato per adattamenti variazionali ($WAIC_{VI}$).

Clustering e Reporting
Affrontando il problema della non identificabilità delle etichette nei modelli di miscela, gli autori non fanno affidamento su etichette di componenti arbitrarie. Invece, riportano il clustering tramite una Matrice di Similarità Posteriore (PSM), definita come $S_{ii'} = \Pi(Z_i = Z_{i'} \mid \text{dati})$. Per la visualizzazione e la partizione, incorporano le unità nello spazio degli autovettori principali della PSM e applicano il clustering mean shift. Questo approccio fornisce un output deterministico, invariante rispetto alle etichette, che recupera coerentemente la partizione latente in condizioni di forte separazione.

Contributi Teorici
Il documento stabilisce proprietà teoriche rigorose per il modello proposto:

1. Contrazione Posteriore: Gli autori dimostrano che la distribuzione posteriore si contrae attorno alle vere superfici di regressione specifiche per componente identificabili ($B_k$) e agli spostamenti medi ($\mu_k$) a un tasso di $O(\sqrt{d_n \log n / n})$, dove $d_n$ è la dimensionalità effettiva.
2. Coerenza dello Spazio degli Autovettori: La contrazione è stabilita anche per i sottospazi singolari lato predittore associati alle matrici a rango basso.
3. Coerenza del Clustering: Sotto un'ulteriore assunzione di margine di forte separazione, si dimostra che la pipeline predefinita (incorporamento nello spazio degli autovettori della PSM seguito da mean shift) recupera coerentemente la vera partizione latente.

Risultati Empirici
La metodologia è stata valutata attraverso studi di simulazione e tre applicazioni nel mondo reale:

• Simulazioni: Lo studio ha coperto quattro regimi: tutti Gaussiani, tutti Bernoulliani, tutti Binomiali Negative e un regime misto. Il metodo proposto (BMLC-VI-PSM) ha recuperato accuratamente il numero di cluster e il rango latente. Nei scenari a risposta mista e a conteggio puro, ha superato le linee di base standard (K-means, mclust, PCA-K-means). Nel setting tutti Gaussiani, ha prestazioni comparabili a un benchmark specializzato di miscela a rango ridotto Gaussiano.
• Studio DoctorVisits: Applicato a dati sanitari a livello individuale (punteggio di salute, stato assicurativo, numero di visite), il modello ha identificato due gruppi distinti di utilizzo, separando un grande gruppo a basso utilizzo da un gruppo più piccolo ad alto utilizzo con esiti sanitari peggiori.
• Sorveglianza COVID-19 in Florida: Analizzando i ricoveri ospedalieri a livello di contea (Gaussiani) e i conteggi di decessi (Binomiali Negative), il modello ha prodotto cluster di contee interpretabili spazialmente senza imporre un prior spaziale, gestendo efficacemente i conteggi aggiustati per l'esposizione e la sovrapposizione.
• Sorveglianza dell'Influenza negli USA: Applicato a dati a livello statale (tassi ponderati di ILI e conteggi di pazienti), il modello ha separato con successo le misure di attività relativa dalle misure di carico assoluto, fornendo una partizione unificata degli stati basata su profili di sorveglianza congiunti.

Significato e Affermazioni
Gli autori posizionano questo lavoro come un approccio complementare ai metodi esistenti di regressione sparsa ad alta dimensionalità. Mentre i metodi sparsi si concentrano sulla selezione di un piccolo insieme di predittori, questo framework enfatizza la struttura di risultato condivisa a bassa dimensionalità e l'eterogeneità latente tra le unità. Il documento afferma di fornire una pipeline inferenziale unificata che è computazionalmente trattabile attraverso canali Gaussiani, Bernoulliani e Binomiali Negative, affrontando un regime comune nella sorveglianza sanitaria in cui risultati misti e sottopopolazioni latenti coesistono. L'uso dell'aumento Pólya–Gamma è evidenziato come un abilitatore chiave sia per l'inferenza esatta che per lo screening variazionale rapido, mentre la strategia di reporting invariante rispetto alle etichette garantisce output di clustering stabili e interpretabili.