Scalar-on-distribution regression via generalized odds with applications to accelerometry-assessed disability in multiple sclerosis

Resumo Técnico: Regressão Escalar-sobre-Distribuição via Odds Generalizadas

Definição do Problema
As tecnologias de saúde digital (DHT) geram dados comportamentais contínuos e de alta resolução (por exemplo, acelerometria em nível de minuto) que formam ricas distribuições específicas de cada sujeito. Embora essas distribuições contenam mais informações do que resumos escalares (por exemplo, contagens totais de atividade diária), identificar quais características distributivas são mais preditivas de desfechos clínicos permanece um desafio em aberto. Trabalhos anteriores por Niyogi et al. [2024] demonstraram que representações baseadas em risco (hazard-based representations), que enfatizam o comportamento de cauda (níveis de atividade extrema), superam outras representações na predição de incapacidade na esclerose múltipla (EM). No entanto, os métodos existentes frequentemente dependem de objetos distributivos específicos (densidades, quantis, sobrevivência ou funções de risco) que podem não capturar plenamente o contraste entre valores extremos e típicos, particularmente em contextos de dados esparsos ou discretos.

Metodologia
Os autores propõem um framework unificado de Odds Generalizadas (GO) para representar distribuições específicas de sujeitos e um modelo correspondente de regressão escalar-sobre-odds.

1. Definição de Odds Generalizadas:
   O framework define uma função de odds generalizada específica do sujeito, $h_{4,F}$, como a razão das probabilidades de dois eventos arbitrários dentro do espaço amostral. Para uma variável aleatória $X$ com distribuição $F$, e intervalos $A=[u_1, u_2]$ e $B=[u_3, u_4]$, a GO é definida como:
   $$h_{4,F}(u_1, u_2, u_3, u_4) = \frac{P(X \in [u_3, u_4])}{P(X \in [u_1, u_2])} = \frac{F(u_4) - F(u_3)}{F(u_2) - F(u_1)}$$
   Esta formulação generaliza objetos distributivos existentes:

   • Função de Massa de Probabilidade (PMF): $h_{4,F}(0, D, k, k-1) = p(k)$.
   • Função de Risco (Hazard Function): $h_{4,F}(k, D, k-1, k) = \lambda(k)$.
   • Distribuição de Vida Residual: $h_{4,F}(t, D, t, t+u)$.
   • Objetos de 1-índice e 2-índices: Casos especiais comparando sobrevivência com probabilidade cumulativa ($S(u)/F(u)$) ou sobrevivência com sobrevivência ($S(u_2)/F(u_1)$).

2. Modelo de Regressão:
   Os autores formulam um modelo de regressão escalar-sobre-funcional onde o desfecho clínico $y_i$ (por exemplo, pontuação EDSS) é vinculado à função GO $h_{F_i}$ via uma função de ligação $g$:
   $$g(\mu_i) = \alpha + \int \beta(u) h_{F_i}(u) du$$
   onde $\mu_i = E[y_i | X_i]$. A função de coeficiente $\beta(u)$ é estimada usando uma representação funcional baseada em splines. Especificamente, $\beta$ é aproximado via um produto tensorial de funções de base B-spline:
   $$\beta(u_1, u_2, u_3, u_4) = \sum_{k_1}\sum_{k_2}\sum_{k_3}\sum_{k_4} b_{k_1,k_2,k_3,k_4} B_{k_1}(u_1)B_{k_2}(u_2)B_{k_3}(u_3)B_{k_4}(u_4)$$

3. Estimação e Regularização:
   Para lidar com a alta dimensionalidade dos coeficientes tensoriais e identificar regiões distributivas informativas, os autores empregam estimação de verossimilhança penalizada. Eles avaliam quatro funções de penalidade para induzir esparsidade e seleção de variáveis:

   • Lasso ($L_1$)
   • Elastic Net
   • Smoothly Clipped Absolute Deviation (SCAD)
   • Minimax Concave Penalty (MCP)

Dados e Aplicação
A metodologia é aplicada aos dados do estudo HEAL-MS (Home-based Evaluation of Actigraphy to Predict Longitudinal Function in Multiple Sclerosis), envolvendo 248 participantes com EM.

• Preditores: Dados de acelerometria de pulso (GT9X Actigraph) coletados ao longo de 2 semanas, processados em contagens de atividade de época de 1 minuto (transformadas logarítmicamente) das 8h às 20h.
• Desfecho: Pontuações da Expanded Disability Status Scale (EDSS) (0–10).
• Comparação: Os modelos GO são comparados contra resumos escalares clássicos (contagens médias de atividade) e modelos escalar-sobre-sobrevivência.

Principais Resultados
Usando validação cruzada de 5 dobras com 100 replicações, o estudo reporta o seguinte desempenho preditivo (medido por $R^2$ de validação cruzada) para as pontuações EDSS:

• Resumo Escalar (Atividade Média): $R^2 \approx 0,095$.
• Escalar-sobre-Sobrevivência: $R^2 \approx 0,115$.
• Escalar-sobre-Odds de 1-índice: $R^2 \approx 0,151$ (Lasso).
• Escalar-sobre-Odds de 2-índices: $R^2 \approx 0,146 - 0,151$.
• Escalar-sobre-Odds de 4-índices (Generalizado): $R^2 \approx 0,208 - 0,209$.

O modelo de GO de 4 índices superou consistentemente todas as outras abordagens, quase dobrando o desempenho preditivo do resumo escalar e melhorando significativamente o modelo baseado em sobrevivência. As penalidades Elastic Net e Lasso produziram os maiores valores de $R^2$ para o modelo de 4 índices.

Significância e Alegações
O artigo afirma que o framework de Odds Generalizadas oferece um avanço metodológico significativo ao:

1. Visar Diretamente o Comportamento de Cauda: Diferente das representações de índice único (ex: densidades) que resumem a forma geral, as funções GO contrastam explicitamente valores extremos contra valores típicos, capturando o "comportamento de cauda" identificado como crítico em pesquisas anteriores de EM.
2. Robustez: A formulação baseada em razão permanece bem definida e estável mesmo para dados esparsos, limitados ou discretos onde a estimativa direta de densidade pode falhar.
3. Framework Unificado: Ele subsume representações de risco, sobrevivência e vida residual como casos especiais, fornecendo uma abordagem flexível e unificada para covariáveis distributivas.

Os autores concluem que covariáveis distributivas baseadas em odds fornecem valor preditivo superior para dados de DHT em contextos clínicos, demonstrando especificamente que o comportamento de cauda na atividade física é um impulsionador crítico de desfechos de incapacidade na esclerose múltipla. Eles observam que, embora a aplicação tenha focado em EM, o framework é amplamente aplicável a outros domínios onde contrastes entre comportamentos extremos e típicos são cientificamente significativos.