Return-to-Baseline Testing via Empirically Calibrated e-processes

Technische Samenvatting: Return-to-Baseline Testen via Empirisch Gekalibreerde e-processen

Probleemformulering
Het artikel behandelt het probleem van het detecteren van een "Return to Baseline" (RtB) in hoogfrequente monitoringsgegevens. De setting betreft een patiëntspecifieke baseline-distributie $P$ waaruit $n$ observaties worden verzameld. Een interventie vindt plaats, die de datagenererende distributie tijdelijk verandert naar een onbekende $P_i$ voor een duur $r$. Het doel is om sequentieel het tijdstip te identificeren waarop de distributie weer in lijn komt met de voorafgaande interventie-baseline $P$.

Dit probleem onderscheidt zich van klassieke sequentiële testen (bijv. Wald's likelihood ratio test) of change-point detectie (bijv. CUSUM) omdat:

1. De baseline-distributie $P$ onbekend is en uit een eindige steekproef moet worden geschat, wat de nulhypothese composiet maakt.
2. Het inferentiële doel bestaat uit het certificeren van een terugkeer naar een voorheen geobserveerde distributie, in plaats van het detecteren van een afwijking van een vastgesteld nulmodel.
3. De procedure geldig moet blijven onder continue monitoring en optioneel stoppen (anytime-valid inferentie), zonder een vooraf gespecificeerde horizon te vereisen.

Methodologie
De auteurs stellen een sequentiële, distributievrije testprocedure voor op basis van e-processen, die anytime-valid foutcontrole bieden via niet-negatieve supermartingalen. De methodologie verloopt als volgt:

1. Datamodel: De baseline-data wordt gemodelleerd als quasi-periodiek. Observaties worden verzameld op tijdstippen $t_{i,j}$ binnen perioden, waarbij de conditionele kwantielfuncties $f^{(\tau)}(t)$ periodiciteit vertonen. Onder de interventie kan de distributie willekeurig veranderen, waarbij de periodiciteit mogelijk verloren gaat.
2. Discrepantiemaat: De methode maakt gebruik van concepten uit universele inferentie. Het schat conditionele kwantielfuncties $\hat{f}^{(\tau)}$ van de baseline-data met behulp van kwantielregressie met B-splines. Voor een nieuwe observatievector $x$ wordt een discrepantiestatistiek $T^{(\tau, -k)}(x, S)$ gedefinieerd op basis van het aantal punten dat de geschatte kwantielen overschrijdt, afgezet tegen het verwachte aantal $(1-\tau)|S|$.
3. Empirische Kalibratie: In tegenstelling tot traditionele e-processen die vertrouwen op parametrische nulmodellen, kalibreert deze methode het e-proces empirisch met enkel de baseline-data.
   • Een willekeurige subset van indices $Z$ wordt geselecteerd om een maximale discrepantie $F(Z)$ te berekenen.
   • Een normaliserende constante $D_\gamma$ wordt afgeleid als een steekproefkwantiel van de distributie van deze discrepanties, berekend over de baseline-data (met een "leave-one-out"-benadering waarbij elke baseline-periode wordt uitgesloten voor validatie).
   • Deze kalibratie zorgt ervoor dat het proces patiëntspecifiek is en geen specificatie van een nul-submodel vereist.
4. De Constructie van het E-proces: Het e-proces $M_t$ wordt geconstrueerd als een lopend minimum van geschaalde discrepantietermen.
   • $M_t = \frac{1}{n} \sum_{k=1}^n M^{(-k)}_t$, waarbij elke $M^{(-k)}_t$ een lopend minimum is.
   • De structuur van het lopend minimum is specifiek gekozen om te garanderen dat zodra data uit de nul-distributie (baseline) wordt waargenomen, het proces onmiddellijk daalt, wat detectie van RtB mogelijk maakt zonder de vertraging (lag) die gepaard gaat met voortschrijdende gemiddelden of producten.
   • Het proces wordt gestopt wanneer $M_t$ onder een drempelwaarde $1/\alpha$ valt, wat een RtB certificeert.

Belangrijkste Bijdragen

• Formulering: Het RtB-probleem wordt expliciet geformuleerd als een sequentiele testtaak voor hoogfrequente data met onbekende baseline-distributies en optioneel stoppen.
• Empirisch Gekalibreerd E-proces: Er wordt een nieuwe distributievrije procedure voorgesteld waarbij het e-proces uitsluitend op de baseline-data wordt gekalibreerd, waardoor de noodzaak voor parametrische nulmodellen wordt vermeden.
• Eindige Steekproefgrenzen: Het artikel stelt eindige steekproefgrenzen vast voor de kalibratiefout (Theorem 1). Deze grenzen zijn afhankelijk van de hoeveelheid baseline-data ($n, p$), de gladheid van de kwantielfuncties ($\beta$), het aantal spline-knopen ($d$), de subsampling-omvang ($s$) en een gap-parameter ($\delta$). De grenzen verduidelijken de afruil tussen conservatisme en power.
• Computationele Analyse: De computationele complexiteit wordt geanalyseerd, met name met betrekking tot de keuze van de subsample-omvang $s$ en het aantal kwantielniveaus.

Resultaten

• Simulaties: De procedure werd getest op synthetische data met variërende aantallen baseline-perioden ($n$), observaties per periode ($p$) en subsample-omvang ($s$).
  • De methode detecteerde de RtB met hoge waarschijnlijkheid (bijv. ~90% van de simulaties detecteerde de RtB met een vertraging van 0 of 1 eenheid).
  • Er werd aangetoond dat de methode robuust is voor de keuze van de spline degrees of freedom ($df$).
  • Vergelijkingen met alternatieve methoden (gekalibreerde p-waarden omgezet naar e-waarden en sequentiële Bonferroni) lieten zien dat de voorgestelde empirisch gekalibreerde e-proces beter presteert dan de gekalibreerde e-waarde benadering (die aan power verliest door de kalibratiefunctie) en overeenkomt met de Bonferroni-benadering, terwijl het anytime-valid garanties biedt zonder een vooraf gespecificeerde horizon.
• Klinische Casestudy: De methode werd toegepast op moeder-foetale monitoringgegevens (foetale hartslag) uit de NIEM-O studie na toediening van corticosteroïden.
  • Gebruikmakend van data van een enkele patiënt, detecteerde de procedure een terugkeer naar de baseline ongeveer 35 uur na toediening.
  • De analyse werd uitgevoerd over meerdere temporele resoluties (sub-segmenten van 15 tot 50 minuten), wat de multi-scale capaciteit van de methode demonstreert.
  • De resultaten waren consistent met farmacokinetisch bewijs en grovere analyses in de bestaande literatuur, maar boden een fijnere temporele resolutie en patiëntspecifieële inferentie.

Betekenis en Claims
Het artikel claimt dat de voorgestelde procedure erin slaagt te voldoen aan de strikte eisen van moderne hoogfrequente monitoring:

1. Patiëntspecifiek: Het past zich aan individuele baselines aan zonder te vertrouwen op populatiebrede parametrische modellen.
2. Anytime-Valid: Het biedt geldige Type I foutcontrole onder continue monitoring en optioneel stoppen via het e-proces framework (Ville's inequality).
3. Robuustheid: Het is distributievrij en robuust tegen uitschieters en model-misspecificatie, aangezien de kalibratie empirisch is.
4. Geen Vertraging (No Lag): Het gebruik van een lopend minimum maakt onmiddellijke detectie van de terugkeer naar de baseline mogelijk, waardoor de vertraging die inherent is aan andere sequentiële methoden wordt vermeden.

De auteurs merken op dat hoewel de theoretische grenzen steunen op gladheid-aannames (Hölder-klasse) die in de praktijk niet geverifieerd kunnen worden, de kalibratiestap geldig blijft, zelfs als het model verkeerd gespecificeerd is. De numerieke experimenten suggereren dat de procedure conservatief is, wat impliceert dat de theoretische grenzen in toekomstig werk verbeterd kunnen worden. Het framework wordt ook gepresenteerd als uitbreidbaar naar meerdere signalen en covariaten.