Variable Domain Multivariate Functional Principal Component Analysis

Dit artikel stelt een nieuwe methode voor voor Multivariate Functionele Hoofdbestanddeelsanalyse (MFPCA) die variabele observatiedomeinen mogelijk maakt door univariate scores met variabele domeinen te verenigen en hun covariantie te gladstrijken, waarbij door middel van simulaties en een toepassing op reële data voor het monitoren van COVID-19-patiënten een superieure prestatie wordt aangetoond ten opzichte van bestaande benaderingen.

De kern

Het Probleem: Het Dilemma van de "Niet-overeenkomende Film"

Stel je voor dat je een filmcriticus bent die een nieuwe film wil recenseren. Je hebt 1.000 verschillende kopieën van dezelfde film, maar er is een addertje onder het gras:

• Sommige mensen hebben de volledige 2 uur durende film gezien.
• Sommige mensen hebben alleen de eerste 30 minuten gezien omdat ze in slaap vielen.
• Anderen hebben alleen de laatste 15 minuten gezien omdat ze te laat kwamen.

Nu stel je je voor dat je probeert om twee dingen tegelijk in de film te analyseren: de plotwendingen (Variabele 1) en de achtergrondmuziek (Variabele 2).

De Oude Manier (De "Binning"-Aanpak):
Vorige methoden om deze data te analyseren waren als het zeggen: "Oké, laten we alleen kijken naar de eerste 30 minuten van iedereen's film."

• Het Probleem: Je gooit alle informatie weg van de mensen die het hele ding hebben gezien. Je mist de plotwendingen die aan het einde gebeuren.
• Het Alternatief: Je zou de kijkers in groepen kunnen hakken: "Groep A keek 0–30 minuten," "Groep B keek 30–60 minuten." Maar dit is rommelig. Het behandelt een kijker van 29 minuten als totaal verschillend van een kijker van 31 minuten, zelfs als hun ervaring bijna hetzelfde was. Het is alsof je een bibliotheek sorteert op "boeken met 100 pagina's" en "boeken met 101 pagina's" in plaats van gewoon het verhaal te lezen.

De Oplossing van het Artikel (VD-MFPCA):
Dit artikel introduceert een nieuwe, slimmere manier om deze "niet-overeenkomende films" te analyseren. In plaats van de data af te knippen of iedereen in stijve dozen te dwingen, hebben de auteurs een methode bedacht die begrijpt hoe de lengte van de film het verhaal verandert.

Hoe de Nieuwe Methode Werkt: De "Slimme Redacteur"

De auteurs stellen een vierstappenproces voor dat werkt als een zeer slimme filmredacteur:

1. Bewerk Elke Scène Apart: Eerst kijken ze naar het "Plot" en de "Muziek" apart. Ze berekenen het gemiddelde verhaal en de gemiddelde muziek voor mensen die korte clips, middellange clips en lange clips hebben gezien. Ze beseffen dat het "gemiddelde plot" voor een korte clip er anders uitziet dan het "gemiddelde plot" voor een lange clip.
2. Stapel de Noten: Ze nemen de "noten" (scores) uit de plotanalyse en de "noten" uit de muziekanalyse en stapelen deze voor elke persoon samen.
3. De Magische Smoothie (De Sleutelinnovatie): Hier komt het genie. Ze beseffen dat de relatie tussen het plot en de muziek verandert afhankelijk van hoe lang de film is.
   • Analogie: Stel je voor dat in korte films het plot en de muziek zeer nauw met elkaar verbonden zijn. Maar in lange films drijven ze uit elkaar. De oude methoden gingen ervan uit dat ze voor iedereen op dezelfde manier verbonden waren. Deze nieuwe methode gebruikt een "smoothie-blender" (wiskundig genaamd gestraalde splines) om deze relaties soepel te mengen. Het dwingt geen harde snit af; het creëert een gladde curve die laat zien hoe de verbinding verandert naarmate de film langer wordt.
4. De Eindrecensie: Nu kunnen ze de "hoofdthema's" (Hoofdbestanddelen) vinden die de film verklaren, wetende precies hoe die thema's verschuiven afhankelijk van hoe lang de kijker heeft gekeken.

De Test: Werkte Het?

De auteurs draaiden een enorme simulatie (een "virtuele bioscoop") om hun methode te testen tegen de oude "afknip"-methode.

• De Opzet: Ze creëerden nepdata waarbij sommige "patiënten" (of filmkijkers) korte observatietijden hadden en anderen lange.
• Het Resultaat: De nieuwe methode was veel beter. Het reconstrueerde de "films" met veel minder fouten. De oude methode was als proberen het einde van een mysterieroman te raden door alleen het eerste hoofdstuk te lezen; de nieuwe methode las het hele boek voor degenen die het hadden, en de korte hoofdstukken voor degenen die het niet hadden, en raakte toch het hele verhaal perfect.

De Toepassing in de Wereld: De "Levensvitaliteit"-Film in het Ziekenhuis

Om te bewijzen dat dit in het echt werkt, pasten de auteurs hun methode toe op COVID-19-patiënten in een ziekenhuis.

• De Data: Ze hielden twee vitale functies bij: Oxigénverzadiging (SpO2) en Lichaamstemperatuur.
• Het Variabele Domein: Sommige patiënten waren 3 dagen in het ziekenhuis; anderen waren er 3 maanden. Hun "observatiefilms" hadden verschillende lengtes.
• Wat Ze Vonden:
  • Het Gemiddelde Verhaal: Ze konden zien dat patiënten die langer bleven, begonnen met lagere zuurstofniveaus die langzaam verbeterden, terwijl patiënten met een kort verblijf stabiele zuurstofwaarden hadden. De temperatuur van bijna iedereen begon hoog (koorts) en daalde, ongeacht hoe lang ze bleven.
  • Het "Hoofdthema" (PC1): Het belangrijkste patroon dat ze vonden (de eerste hoofdbestanddeel) was een specifieke combinatie van zuurstof- en temperatuurveranderingen.
  • De Voorspelling: Ze ontdekten dat patiënten met een "hoge score" op dit hoofdthema veel meer kans hadden om te sterven (25% sterftecijfer) vergeleken met diegenen met een lage score (7% sterftecijfer).
  • Leeftijdsfactor: Oudere patiënten hadden van nature hogere scores op dit "gevaarlijke patroon".

De Conclusie

Dit artikel zegt: Stop met het afknippen van je data alleen maar omdat mensen voor verschillende hoeveelheden tijd hebben gekeken.

Door hun nieuwe "Variabele Domein"-methode te gebruiken, kunnen onderzoekers meerdere veranderende dingen (zoals hartslag en temperatuur) tegelijk analyseren, zelfs als sommige mensen een week worden geobserveerd en anderen een jaar. Het vangt het volledige verhaal zonder het einde weg te gooien, wat leidt tot veel nauwkeurigere voorspellingen over de gezondheid van patiënten.

Technische samenvatting

Technische Samenvatting: Multivariate Functionele Hoofdcomponentenanalyse met Variabele Domeinen

Probleemstelling
Multivariate Functionele Hoofdcomponentenanalyse (MFPCA) is een standaardtechniek voor dimensiereductie in datasets die meerdere functionele variabelen bevatten (bijvoorbeeld tijdreeksen van vitale tekenen) die op dezelfde onderwerpen zijn waargenomen. Echter, bestaande MFPCA-frameworks, zoals de uitgebreide aanpak van Happ en Greven [2018], vertrouwen op een kritieke aanname: alle functionele waarnemingen moeten zijn opgetekend over een gemeenschappelijk, vast domein. In praktische toepassingen, met name in longitudinale biomedische studies, wordt deze aanname frequent geschonden. Onderwerpen hebben vaak variërende observatieperiodes door factoren zoals verschillende opnamedata, variërende ziekenhuisopnameduur of vroege uitval. Dit resulteert in "functionele data met variabele domeinen", waarbij de domeinlengte $T_i$ varieert per onderwerp.

Huidige ad-hoc-oplossingen voor dit probleem omvatten het beperken van de analyse tot een gemeenschappelijk deel van het domein (waarbij waardevolle data van onderwerpen met langere observatieperiodes wordt verworpen) of het indelen van onderwerpen in groepen met vergelijkbare domeinlengtes (wat willekeurige discretisatie introduceert en faalt in het modelleren van de continue afhankelijkheid van de covariantiestructuur van de domeinlengte). Hoewel Johns et al. [2019] variabele domeinen aanpakten in een univariate setting, bestaat er geen bestaand framework dat effectief omgaat met de multivariate casus waarbij meerdere variabelen worden waargenomen over variërende, potentieel verschillende, domeinen.

Methodologie
De auteurs stellen een nieuw framework voor, Variable Domain MFPCA (VD-MFPCA), dat de univariate variabele domein FPCA van Johns et al. [2019] uitbreidt naar de multivariate setting. De methodologie verloopt in vier distincte stappen:

1. Univariate Variabele Domein FPCA: Voor elke functionele variabele $j$ passen de auteurs de aanpak van Johns et al. [2019] afzonderlijk toe. Dit omvat het modelleren van de gemiddelde functie $\mu_j(t, T_i)$ en de covariantiefunctie $\gamma_j(t, s, T_i)$ als gladde functies van zowel tijd $t$ als domeinlengte $T_i$ met behulp van gepenaliseerde dunne plaat-splines (PTPS) binnen een raamwerk van generaliseerde additieve modellen. Dit levert univariate eigenfuncties $\hat{\psi}^j_k(t, T_i)$ en scores $\hat{\xi}^j_{ik}(T_i)$ op die expliciet afhankelijk zijn van de domeinlengte van het onderwerp.
2. Stapelen van Univariate Scores: De univariate scores voor elk onderwerp worden gestapeld tot een enkele vector $\xi_i(T_i)$.
3. Modelleren van Scorecovariantie als Functie van Domeinlengte: Dit is de kerninnovatie. De auteurs erkennen dat de covariantiematrix van de gestapelde scores, $C(T_i) = \text{Cov}(\xi_i | T = T_i)$, afhankelijk is van de domeinlengte. In plaats van een vaste covariantiestructuur aan te nemen, modelleren zij elk uniek element van de empirische covariantiematrix als een gladde functie van $T$ met behulp van gepenaliseerde splines. Dit maakt de schatting van een gladde covariantiematrix $\hat{C}(T)$ voor elke domeinlengte mogelijk.
4. Multivariate Eigendecompositie: Voor elke specifieke domeinlengte $T$ wordt de geschatte covariantiematrix $\hat{C}(T)$ ontbonden om multivariate eigenwaarden $\nu_m(T)$ en eigenvectoren $c_m(T)$ te verkrijgen. Deze worden gebruikt om multivariate scores $\rho_{im}(T_i)$ en multivariate eigenfuncties $\Psi^j_m(t, T_i)$ te berekenen, die nu afhankelijk zijn van zowel tijd als de specifieke domeinlengte van het onderwerp.

Belangrijkste Bijdragen

• Nieuw Framework: Het artikel presenteert de eerste methodologie voor MFPCA die expliciet rekening houdt met variabele observatiedomeinen zonder data te trunceren of onderwerpen in bakken te discretiseren.
• Theoretische Uitbreiding: Het breidt het univariate variabele domein FPCA-framework uit naar de multivariate setting, waarbij de complexe uitdaging wordt aangepakt om de afhankelijkheidsstructuur over meerdere variabelen te modelleren wanneer die variabelen over verschillende tijdsperiodes worden waargenomen.
• Gladde Covariantiemodellering: Door de covariantie van gestapelde scores te modelleren als een gladde functie van domeinlengte, vangt de methode continue variaties in de afhankelijkheidsstructuur op die discretisatiestrategieën missen.

Resultaten
De auteurs valideren de methode door middel van uitgebreide simulatiestudies en een toepassing op real-world data.

• Simulatiestudie: De voorgestelde VD-MFPCA werd vergeleken met een "binning"-aanpak (het groeperen van onderwerpen op basis van domeinlengte en het trunceren van data tot de minimale lengte in elke bin).

  • Reconstructienauwkeurigheid: VD-MFPCA behaalde consistent aanzienlijk lagere Average Root Mean Squared Error (ARMSE) voor het reconstrueren van functionele waarnemingen in vergelijking met de binning-aanpak, met verbeteringen variërend van 50% tot meer dan 80% in verschillende scenario's.
  • Schatting van Eigenfuncties: VD-MFPCA toonde superieure nauwkeurigheid bij het schatten van eigenfuncties, met name onder scheve verdelingen van domeinlengtes (bijvoorbeeld negatief binomiaal), waarbij de binning-aanpak te kampen had met hoge fouten door informatieverlies in getruncereerde domeinen.
  • Robuustheid: De voorgestelde methode bleef stabiel over verschillende steekproefgroottes ($N=100, 500$), ruisniveaus en domeinverdelingen, terwijl de binning-aanpak gevoelig bleek voor de vorm van de verdeling en het aantal gebruikte bins.

• Toepassing op COVID-19 Data: De methode werd toegepast op trajecten van lichaamstemperatuur en capillaire zuurstofverzadiging (SpO2) van 782 gehospitaliseerde COVID-19-patiënten met variërende opnameduur (variërend van ~3 dagen tot ~125 dagen).

  • Domein-afhankelijke Patronen: De analyse onthulde dat gemiddelde trajecten en variantiestructuren afhankelijk zijn van de ziekenhuisopnameduur. Bijvoorbeeld, patiënten met langere opnames vertoonden aanvankelijk lagere SpO2-niveaus die geleidelijk verbeterden, een patroon dat door vaste-domeinmethoden werd verduisterd.
  • Klinische Relevantie: De scores van de eerste hoofdcomponent (PC1) bleken sterk geassocieerd te zijn met patiëntsterfte en leeftijd, maar niet met de lengte van de observatieperiode zelf. Dit bevestigt dat de methode succesvol domein-gerelateerde artefacten scheidt van intrinsieke fysiologische variatie.
  • Prognostische Waarde: Patiënten in het hoogste tercile van PC1 hadden een sterftecijfer van 25,3%, vergeleken met ~7,5% in lagere terciles, wat de capaciteit van de methode demonstreert om prognostische informatie te halen uit gezamenlijke trajecten van vitale tekenen.

Betekenis en Claims
Het artikel claimt dat VD-MFPCA een kritieke kloof in de analyse van functionele data opvult door een principiële aanpak te bieden voor dimensiereductie in multivariate settings met variabele domeinen. De auteurs stellen dat hun methode "aanmerkelijke winst" biedt in zowel reconstructienauwkeurigheid als schatting van eigenfuncties in vergelijking met bestaande ad-hoc-strategieën.

De betekenis van het werk ligt in het vermogen om het volledige informatiegehalte van longitudinale data te benutten zonder willekeurige truncatie of discretisatie. In de context van de COVID-19-toepassing benadrukken de auteurs dat de methode complexe, tijdvariërende fysiologische patronen vastlegt die voorspellend zijn voor klinische uitkomsten (sterfte en leeftijdsgebonden ernst), die waarschijnlijk zouden worden gemist of vertekend door traditionele vaste-domein MFPCA. De auteurs concluderen dat deze methodologie bijzonder waardevol is voor klinisch onderzoek dat ziekenhuisdata en longitudinale monitoring omvat waarbij observatieperiodes inherent variabel zijn.

Het artikel blijft bescheiden wat betreft beperkingen, en erkent dat de huidige implementatie computatievragend kan zijn voor zeer grote datasets of hoge aantallen variabelen, en merkt op dat toekomstig werk de Bayesiaanse onzekerheidskwantificering en de behandeling van onregelmatige, spaarzame waarnemingen binnen het framework met variabele domeinen zou kunnen verkennen.