Stable and practical semi-Markov modelling of intermittently-observed data

Este artigo apresenta uma estrutura de modelagem semi-Markoviana prática para dados observados intermitentemente, aproximando os tempos de permanência com distribuições de tipo-fase para permitir o cálculo flexível da verossimilhança, e fornece um novo pacote R, "msmbayes", para implementar essa abordagem por meio de estimação bayesiana ou de máxima verossimilhança.

O essencial

O Panorama Geral: Rastreando as Mudanças da Vida

Imagine que você está tentando acompanhar a saúde de uma pessoa ao longo do tempo. Você verifica com ela ocasionalmente — talvez uma vez por ano ou a cada poucos meses. Você quer saber: Por quanto tempo essa pessoa permanece em um estado "saudável" antes de ficar doente? E, uma vez que fica doente, quanto tempo leva para se recuperar ou falecer?

Na estatística, isso é chamado de modelo de múltiplos estados. É como um mapa com diferentes salas (estados) e portas (transições) entre elas.

O Problema: A Armadilha da "Memória"

A maioria dos mapas padrão assume que a chance de sair de uma sala depende apenas de qual sala você está atualmente. Isso é chamado de suposição de Markov. É como dizer: "Se você está na sala 'Doente', a chance de sair é de 50% amanhã, independentemente de você ter acabado de entrar ou de estar lá há um ano."

Mas, na vida real, o tempo importa. Se você está doente há muito tempo, pode ter mais probabilidade de melhorar (ou piorar) do que se acabou de ficar doente. Este é um modelo Semi-Markov, onde o "relógio" dentro da sala importa.

O Pulo do Gato: Como só verificamos as pessoas ocasionalmente (dados intermitentes), não sabemos exatamente quando elas entraram em uma sala. Só sabemos que estavam na Sala A em janeiro e na Sala B em junho. Não sabemos se ficaram doentes em fevereiro ou em maio. Isso torna incrivelmente difícil calcular o "relógio" dentro da sala.

As Soluções Antigas: Muito Lentas ou Muito Rígidas

Cientistas já tentaram resolver isso antes, mas as ferramentas eram ou:

1. Muito lentas: Tentar adivinhar cada caminho possível que a pessoa percorreu entre as verificações é como tentar contar cada grão de areia em uma praia para encontrar um específico.
2. Muito rígidas: Alguns métodos só funcionavam para mapas muito simples, não para os complexos usados na medicina real.
3. Muito complicadas: Alguns métodos exigiam software personalizado e difícil de usar, que não estava disponível para a maioria dos pesquisadores.

A Nova Solução: O Truque da "Fase Oculta"

O autor, Christopher Jackson, apresenta uma nova maneira inteligente de resolver isso usando um conceito chamado distribuições do tipo fase.

A Analogia: O Hotel com Corredores Secretos
Imagine que a sala "Doente" não é apenas um grande cômodo. Em vez disso, é na verdade um hotel com um longo corredor de pequenos cômodos ocultos (fases) dentro dele.

• Quando uma pessoa entra no estado "Doente", ela entra no primeiro cômodo oculto.
• Ela se move por esses cômodos ocultos um por um.
• O tempo que ela passa em cada cômodo oculto é simples e previsível (como um relógio padrão).
• Quando ela finalmente sai do último cômodo oculto, ela deixa o estado "Doente".

Ao encadear esses cômodos ocultos simples, você pode criar uma sala "Doente" complexa e realista onde o tempo gasto importa (por exemplo, é mais provável que você saia após passar por 3 cômodos ocultos do que após apenas 1).

Por que isso é uma mudança de jogo:
Como o movimento entre esses cômodos ocultos é simples, os computadores podem calcular a matemática muito facilmente. Isso transforma um problema complexo "Semi-Markov" em um problema padrão "Markov Oculto", que os computadores já são muito bons em resolver.

A Inovação: A Receita de "Correspondência de Momentos"

Houve uma tentativa anterior de usar essa ideia de "corredor oculto", mas era como tentar assar um bolo adivinhando os ingredientes. Você tinha que executar uma busca massiva e lenta no computador para descobrir como organizar os cômodos ocultos para corresponder a uma forma específica (como uma distribuição Weibull ou Gamma).

Este artigo apresenta uma receita analítica rápida (chamada de Correspondência de Momentos).

• Em vez de adivinhar, o autor fornece uma fórmula matemática.
• Você diz ao computador: "Quero que o tempo gasto neste estado se pareça com uma distribuição Gamma com essas propriedades específicas."
• O computador calcula instantaneamente exatamente como configurar os cômodos ocultos (as fases) para corresponder perfeitamente a essa forma.

É como ter um molde mágico que molda instantaneamente o corredor oculto para se encaixar em qualquer padrão de tempo específico que você precise, sem o jogo lento de adivinhação.

A Ferramenta: msmbayes

O autor empacotou todo esse método em uma nova ferramenta de software chamada msmbayes (disponível em R).

• O que faz: Permite que pesquisadores construam mapas complexos de estados de saúde, mesmo quando os dados são escassos e irregulares.
• Por que é estável: Às vezes, os dados são tão fracos que o computador fica confuso e trava (um problema chamado "não identificabilidade"). Esta ferramenta usa estatística Bayesiana, que é como dar ao computador uma "dica" baseada no que já sabemos de estudos anteriores. Isso estabiliza o cálculo, garantindo que produza um resultado mesmo quando os dados são imprecisos.

A Prova: Testes e Uso no Mundo Real

O autor testou este método de duas maneiras:

1. Simulação: Eles criaram dados falsos onde conheciam a resposta "verdadeira", executaram o software e confirmaram que encontraram a resposta correta todas as vezes.
2. Dados Reais: Eles aplicaram o método a um estudo sobre função cognitiva em adultos mais velhos (o estudo ELSA). Eles rastrearam como as pessoas se moviam entre diferentes níveis de capacidade de memória e a morte.
   • O método padrão (Markov) assumia que o risco de morte era constante uma vez que você estava em certo estado de memória.
   • O novo método (Semi-Markov) mostrou que o risco realmente muda dependendo de quanto tempo você esteve naquele estado.
   • Os resultados mostraram que o novo método forneceu um ajuste ligeiramente melhor aos dados e deu estimativas mais realistas sobre quanto tempo as pessoas permanecem em diferentes estados cognitivos.

Resumo

Este artigo constrói uma nova ferramenta de software estável e fácil de usar que permite aos cientistas modelar como as pessoas se movem entre diferentes estados da vida (como saúde para doença), mesmo quando só as verificam ocasionalmente. Isso é feito dividindo padrões de tempo complexos em "passos ocultos" simples e usando uma receita matemática rápida para configurá-los, tornando a modelagem avançada acessível a todos.

Resumo técnico

Resumo Técnico: Modelagem Semi-Markoviana Estável e Prática de Dados Observados Intermitentemente

Declaração do Problema
Modelos de múltiplos estados são ferramentas padrão para analisar variáveis categóricas que mudam ao longo do tempo, particularmente em contextos biomédicos onde os dados são "observados intermitentemente" (dados de painel). Em tais dados, os tempos exatos de entrada e saída dos estados são desconhecidos, assim como os caminhos específicos percorridos entre os pontos de observação. Tradicionalmente, esses modelos dependem da suposição de Markov, onde as taxas de transição são independentes do tempo gasto no estado atual. No entanto, essa suposição é frequentemente irrealista; em muitos processos biológicos, o risco de transição depende da duração do estado atual (tempo de permanência).

Relaxar a suposição de Markov para criar modelos semi-Markovianos para dados de painel é computacionalmente desafiador. Os métodos existentes enfrentam obstáculos significativos:

1. Integração sobre tempos latentes: A integração numérica sobre tempos de transição não observados torna-se computacionalmente proibitiva à medida que o número de transições não observadas aumenta.
2. Estimadores não paramétricos: Estes são frequentemente restritos a estruturas de transição acíclicas (sem ciclos).
3. Abordagens baseadas em simulação: Métodos como MCMC personalizado ou algoritmos EM estocásticos existem, mas carecem de implementação de software geral.
4. Modelos de tipo-fase: Embora Titman e Sharples tenham proposto o uso de distribuições de tipo-fase para expressar modelos semi-Markovianos como Modelos Ocultos de Markov (HMMs), permitindo cálculo fácil da verossimilhança via algoritmo forward, essa abordagem introduz uma proliferação de parâmetros latentes. Isso frequentemente leva a uma má identificabilidade, fazendo com que algoritmos de otimização falhem, particularmente com dados intermitentes esparsos. Tentativas anteriores de restringir esses modelos (por exemplo, Titman [28]) basearam-se em otimização numérica intensiva e escolhas de splines ad-hoc para aproximar distribuições padrão (Weibull, Gama), carecendo de uma implementação de software geral e estável.

Metodologia
O artigo propõe um novo quadro computacional para tornar a modelagem semi-Markoviana estável acessível para estruturas de estado gerais. A metodologia central envolve três componentes-chave:

1. Aproximação de Tipo-Fase via Correspondência de Momentos:
   Em vez de usar otimização numérica para aproximar distribuições padrão, os autores empregam um procedimento analítico rápido. Eles utilizam uma família específica de distribuições de tipo-fase Coxianas (inspiradas em Bobbio, Horváth e Telek [5]) definidas por uma sequência de fases latentes.

   • O método corresponde aos três primeiros momentos (média, variância e terceiro momento) de uma distribuição alvo (Gama ou Weibull) a uma distribuição de tipo-fase.
   • Isso produz expressões fechadas únicas para as intensidades de transição de tipo-fase como função dos parâmetros de forma e escala da distribuição alvo.
   • Essa abordagem restringe a família de tipo-fase a uma com propriedades semelhantes a distribuições mais simples, reduzindo assim o espaço de parâmetros e melhorando a identificabilidade em comparação com um modelo de tipo-fase totalmente flexível.

2. Extensão para Covariáveis:
   O quadro estende a aproximação para incluir covariáveis de duas maneiras:

   • Tempo de Permanência: As covariáveis influenciam o parâmetro de escala da distribuição de permanência via um modelo de Tempo Acelerado de Falha (AFT). Isso é implementado escalando todas as intensidades de transição dentro da sequência de fase latente pelo mesmo fator.
   • Probabilidades do Próximo Estado: As covariáveis influenciam a probabilidade de transição para estados subsequentes específicos usando uma regressão logística multinomial. Isso permite que o risco relativo de diferentes destinos de saída varie com as covariáveis independentemente do tempo de permanência.

3. Implementação de Software (msmbayes):
   O método é implementado em um novo pacote R, msmbayes. O pacote suporta:

   • Estruturas gerais de transição de estado (incluindo ciclos).
   • Tanto a Estimativa de Máxima Verossimilhança (via otimização quasi-Newton) quanto a estimativa Bayesiana (via Monte Carlo Hamiltoniano usando Stan).
   • O uso de informação prévia para estabilizar a estimativa em casos de fraca identificabilidade, uma questão comum na modelagem de múltiplos estados com dados intermitentes.

Principais Resultados
O artigo valida a metodologia através de calibração baseada em simulação e uma aplicação do mundo real:

• Calibração Baseada em Simulação:

  • Precisão: Amostras MCMC do pacote msmbayes produziram distribuições posteriores que passaram em testes de calibração baseados em simulação (estatísticas de rank uniformes), confirmando a correção da implementação.
  • Aproximação de Laplace: A aproximação de Laplace (modo posterior + Hessiana) foi encontrada substancialmente mais rápida (aprox. 1% do tempo de execução do MCMC), mas introduziu viés nos parâmetros de forma e nos log-odds do próximo estado, particularmente subestimando a incerteza. No entanto, forneceu uma aproximação razoável para modelos de Markov.
  • Estabilidade: Em cenários onde a Estimativa de Máxima Verossimilhança (MLE) falhou em convergir (por exemplo, 76% dos conjuntos de dados simulados para um modelo de Markov com fraca identificabilidade), a abordagem Bayesiana produziu com sucesso posteriores convergentes dominados pela priori, fornecendo uma caracterização válida da incerteza onde a MLE falhou.

• Aplicação à Função Cognitiva (Dados ELSA):

  • O método foi aplicado ao Estudo Longitudinal Inglês sobre Envelhecimento (ELSA) para modelar transições entre estados de função cognitiva e morte.
  • Um modelo de Markov padrão com muitos parâmetros foi encontrado como praticamente não identificável, gerando erros padrão unrealisticamente grandes.
  • O modelo semi-Markoviano (usando aproximações de Weibull/Gama de 5 fases) forneceu uma melhoria modesta no ajuste (menor log-verossimilhança penalizada) e revelou que o risco de transição diminui com o tempo desde a entrada no estado (parâmetros de forma < 1).
  • Os efeitos das covariáveis (idade, sexo, educação) foram estimados com maior estabilidade usando priores Bayesianos derivados de dados externos de mortalidade.

Significado e Alegações
O artigo alega fornecer a primeira implementação de software geral para modelagem semi-Markoviana estável de dados observados intermitentemente com estruturas de transição arbitrárias. Suas principais contribuições são:

1. Acessibilidade: Transforma a modelagem semi-Markoviana de uma tarefa de nicho e computacionalmente difícil em um fluxo de trabalho prático acessível via o pacote R msmbayes.
2. Estabilidade: Ao usar correspondência de momentos para restringir distribuições de tipo-fase a famílias familiares (Gama/Weibull), o método mitiga os problemas de identificabilidade que afligem modelos gerais de tipo-fase, particularmente quando os dados são esparsos.
3. Utilidade Bayesiana: Demonstra que a estimativa Bayesiana é crucial para estabilizar a inferência em modelos complexos de múltiplos estados onde as superfícies de verossimilhança são planas ou a otimização falha.
4. Flexibilidade: A abordagem lida com estruturas gerais de transição (incluindo transições reversíveis) e covariáveis afetando tanto os tempos de permanência quanto as probabilidades do próximo estado.

Os autores reconhecem limitações, incluindo o custo computacional de exponenciais de matriz para grandes espaços de estado (mitigado pelo uso de aproximações de Laplace ou menos fases) e a suposição de que as probabilidades do próximo estado são independentes do tempo de permanência. Eles notam que, embora o método melhore a suposição exponencial, permanece uma aproximação paramétrica, e a verificação de modelo para dados complexos e observados intermitentemente permanece desafiadora.