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

Resumo Técnico: Regressão de Máquina de Kernel Bayesiana via Características de Fourier Aleatórias para Estimar Efeitos de Saúde Conjuntos de Múltiplas Exposições

Definição do Problema
A epidemiologia ambiental tem se concentrado tradicionalmente em análises de exposição única, embora os seres humanos sejam simultaneamente expostos a múltiplos fatores de risco correlacionados. A Regressão de Máquina de Kernel Bayesiana (BKMR) é um método amplamente utilizado para estimar os efeitos conjuntos e não lineares de múltiplas exposições, modelando a superfície de resposta-exposição como uma realização de um processo gaussiano. No entanto, a BKMR enfrenta gargalos computacionais significativos quando aplicada a grandes conjuntos de dados. O método requer a inversão repetida de uma matriz de kernel $n \times n$ durante as iterações de Monte Carlo via Cadeias de Markov (MCMC), onde $n$ é o tamanho da amostra. Isso torna a BKMR computacionalmente inviável para grandes bancos de dados administrativos de saúde (por exemplo, $n > 5.000$). Aproximações existentes, como o processo preditivo (usando nós/knots), sofrem com desafios como o excesso de suavização (oversmoothing) e a falta de orientação clara para a seleção de nós em configurações multivariadas.

Metodologia: Fast BKMR
Os autores propõem a "Fast BKMR", um método que substitui os efeitos aleatórios de processo gaussiano na BKMR por Características de Fourier Aleatórias (RFF) supervisionadas. Esta abordagem aproveita o teorema de Bochner, que afirma que qualquer kernel positivo definido e estacionário pode ser expresso como a transformada de Fourier de sua densidade espectral.

Componentes metodológicos principais:

• Expansão de Base: A função de efeito aleatório $h(x_i)$ é aproximada por um conjunto finito de funções de base:
  $$h(x_i) \approx \sum_{j=1}^{J} a_j \cos(\omega_j^T x_i) + b_j \sin(\omega_j^T x_i)$$
  onde $\omega_j$ são frequências amostradas de uma densidade espectral, e $a_j, b_j$ são coeficientes de efeito aleatório.
• Aprendizado Supervisionado: Ao contrário da RFF padrão independente de dados, este método trata as frequências $\omega_j$ como variáveis aleatórias a serem aprendidas a partir dos dados. Isso permite que as funções de base sejam adaptativas à superfície específica de resposta-exposição.
• Reenquadramento do Modelo: Ao utilizar RFF, a regressão de máquina de kernel é reenquadrada como um modelo linear de efeitos mistos. Isso elimina a necessidade de inverter a matriz de kernel $n \times n$, reduzindo significativamente a complexidade computacional.
• Inferência: A inferência bayesiana é conduzida usando MCMC com algoritmos de Hamiltonian Monte Carlo (HMC). As frequências $\omega_j$ e os coeficientes $(\gamma, a_j, b_j)$ são atualizados em blocos. O número de funções de base ($J$) é selecionado usando o Critério de Informação de Watanabe-Akaike (WAIC).

Principais Contribuições e Resultados
O artigo avalia a Fast BKMR através de estudos de simulação e uma aplicação no mundo real, comparando-a com a BKMR padrão e a BKMR com processo preditivo (PP).

1. Eficiência Computacional: A Fast BKMR demonstra reduções substanciais no tempo de computação. Em simulações com $N=10.000$ e 10 exposições, a BKMR padrão com PP levou aproximadamente 6,6 dias para ajustar um modelo, enquanto a Fast BKMR exigiu apenas cerca de 1 dia (com $J=1.000$). Para conjuntos de bases menores (por exemplo, $J=5$), a redução no tempo foi ainda mais dramática (até 99% de redução). O tempo de computação para a Fast BKMR escala quase linearmente com o tamanho da amostra e o número de funções de base, enquanto a BKMR com PP escala mal tanto com o tamanho da amostra quanto com o número de exposições.
2. Precisão de Estimação:
   • Correlação Forte: Quando a superfície de resposta-exposição apresenta fortes correlações (comum em dados de poluição do ar), a Fast BKMR supera a BKMR com PP, mesmo com um pequeno número de funções de base.
   • Especificação Incorreta do Kernel: Em cenários onde o kernel real difere do kernel gaussiano assumido, a Fast BKBR mantém um desempenho robusto, frequentemente apresentando um Erro Quadrático Médio (RMSE) menor que a BKMR com PP, particularmente com um maior número de exposições.
   • Cenários Paramétricos: Quando a verdadeira função de resposta-exposição é paramétrica (não gaussiana), a Fast BKMR atinge um desempenho comparável à BKMR padrão conforme o número de funções de base aumenta, mantendo, contudo, uma velocidade superior.
3. Aplicação a Dados de Peso ao Nascer: O método foi aplicado a um conjunto de 273.711 registros de nascimentos da Geórgia para analisar os efeitos conjuntos de CO, NO$_2$ e PM$_{2.5}$ no peso ao nascer. A Fast BKMR capturou com sucesso efeitos conjuntos não lineares complexos e forneceu intervalos posteriores mais estreitos em comparação com modelos lineares de múltiplos poluentes com termos de interação. A análise confirmou que níveis crescentes de NO$_2$ e PM$_{2.5}$ estão associados à redução do peso ao nascer, enquanto a associação para o CO foi positiva, mas não estatisticamente significativa.

Significância e Alegações
Os autores alegam que a Fast BKMR aborda o problema crítico de escalabilidade da BKMR, permitindo a análise de grandes bancos de dados administrativos de saúde que eram anteriormente intratáveis. O método oferece uma alternativa computacionalmente eficiente que não sacrifica a flexibilidade de modelar efeitos conjuntos não lineares e interações.

O artigo destaca várias vantagens específicas:

• Escalabilidade: Facilita a análise de conjuntos de dados com dezenas de milhares de observações e múltiplas exposições.
• Robustez: Desempenha bem mesmo quando a superfície de resposta-exposição possui dependências fortes ou quando o kernel é mal especificado.
• Estabilidade Numérica: Ao evitar a inversão da matriz de kernel, o método contorna problemas de singularidade numérica que surgem na regressão de processo gaussiano quando as exposições são altamente correlacionadas (por exemplo, indivíduos no mesmo setor censitário compartilhando dados de exposição idênticos).
• Flexibilidade: A natureza supervisionada da RFF permite que as funções de base se adaptem aos dados, oferecendo uma vantagem sobre expansões determinísticas como a expansão de Karhunen–Loève.

Os autores observam limitações, incluindo o fato de que o método ainda é mais demorado do que alternativas não bayesianas (como WQS ou q-gcomp) e atualmente aplica-se apenas a desfechos contínuos. Eles sugerem que trabalhos futuros poderiam explorar a seleção de variáveis via priors spike-and-slab e extensões para modelos lineares generalizados para desfechos binários ou de contagem.