Random-Effects Algorithm for Random Objects in Metric Spaces

Resumo Técnico: Algoritmo de Efeitos Aleatórios para Objetos Aleatórios em Espaços Métricos

Enunciado do Problema
Disciplinas científicas modernas, particularmente a saúde digital, geram conjuntos de dados onde múltiplas observações são coletadas das mesmas unidades experimentais (por exemplo, indivíduos). Essas observações frequentemente se manifestam como objetos aleatórios não euclidianos — como distribuições de probabilidade, redes ou curvas funcionais — em vez de resultados escalares ou vetoriais. Embora modelos de efeitos mistos estejam bem estabelecidos para resultados escalares e, mais recentemente, para dados funcionais em espaços de Hilbert, há uma falta de estruturas gerais de efeitos aleatórios para objetos aleatórios arbitrários definidos em espaços métricos. Métodos existentes para dados em espaços métricos são frequentemente limitados a modelos lineares, espaços geodésicos ou distribuições univariadas, falhando em fornecer uma base flexível para respostas repetidas em espaços métricos gerais que exigem previsão personalizada.

Metodologia
Os autores propõem um algoritmo não linear, baseado em Fréchet, para modelagem de efeitos aleatórios de objetos aleatórios arbitrários em um espaço métrico $(\Omega, d)$. A inovação central é uma representação baseada em âncoras dos efeitos aleatórios latentes específicos do sujeito, evitando a necessidade de operações diretas de adição ou subtração no espaço métrico.

1. Transformação por Âncoras:

   • O método seleciona um conjunto de respostas observadas (âncoras) $A_\ell$ do espaço de resposta empírico.
   • Para cada âncora $A_\ell$, a resposta no espaço métrico $Y_{ij}$ é transformada em uma variável escalar: $Z^{(\ell)}_{ij} = \log(d^2(Y_{ij}, A_\ell) + \delta)$, onde $\delta > 0$ garante estabilidade numérica.

2. Ajuste de Efeitos Mistos Escalares:

   • Para cada âncora $\ell$, um modelo de efeitos mistos escalar é ajustado às distâncias transformadas:
     $$Z^{(\ell)}_{ij} = f_\ell(X_{ij}) + b^{(\ell)}_i + \varepsilon^{(\ell)}_{ij}$$
   • Aqui, $f_\ell$ é uma função de regressão de efeitos fixos (implementada via árvores de gradiente aumentado) e $b^{(\ell)}_i$ é um intercepto aleatório específico da âncora representando o efeito latente do sujeito $i$ sobre a distância à âncora $\ell$.
   • A implementação utiliza o GPBoost, combinando árvores de gradiente aumentado com componentes de efeitos aleatórios gaussianos.

3. Previsão via Otimização Discreta:

   • Para prever a resposta para uma nova covariável $x$ para o sujeito $i$, o algoritmo estima os efeitos aleatórios específicos do sujeito $\hat{b}^{(\ell)}_i$ e os efeitos fixos $\hat{f}_\ell(x)$.
   • A previsão final $\hat{m}_{n,i}(x)$ é obtida resolvendo um problema de otimização discreta sobre o espaço de resposta observado $\mathcal{Y}_n$:
     $$\hat{m}_{n,i}(x) \in \arg \min_{\omega \in \mathcal{Y}_n} \sum_{\ell \in I_n} \left( \log(d^2(\omega, A_\ell) + \delta) - (\hat{f}_\ell(x) + \hat{b}^{(\ell)}_i) \right)^2$$
   • Essencialmente, o método seleciona o objeto observado cujo perfil de distâncias transformadas às âncoras melhor corresponde ao perfil previsto para o sujeito específico.

Contribuições Teóricas
O artigo estabelece resultados de consistência para o estimador proposto utilizando teoria de M-estimação. Sob suposições específicas relativas à unicidade do minimizador, separação de risco e convergência uniforme do critério empírico para o critério populacional, os autores provam que o alvo de previsão estimado converge em probabilidade para o verdadeiro alvo oráculo, mesmo quando a estrutura de efeitos aleatórios é tratada como um modelo de trabalho.

Resultados Empíricos
O método foi avaliado em quatro conjuntos de dados de saúde digital envolvendo diferentes tipos de objetos em espaços métricos:

1. Espaço de Hilbert $L^2$ (Dados Funcionais):
   • NHANES (Atividade Física): A incorporação de efeitos aleatórios reduziu o Erro Quadrático Médio (MSE) de retenção em ~10% (de 16,26 para 14,64).
   • CGMCR (Curvas de Glicose): Redução de MSE de ~8,6% (de 4.368 para 3.994). A abordagem não linear superou modelos de efeitos mistos funcionais lineares existentes em ambos os casos.
2. Métrica de Wasserstein (Distribuições Multivariadas):
   • Distribuições 3D de CGM: Representando a dinâmica da glicose como distribuições multivariadas (glicose, velocidade, aceleração). Os efeitos aleatórios produziram uma redução substancial de 57% no erro quadrático de Wasserstein (de 986 para 421), indicando que a variação específica do sujeito é o principal motor para a previsão personalizada neste cenário.
3. Métrica de Frobenius (Grafos):
   • Grafos Laplacianos do NHANES: Representando estruturas de correlação temporal da atividade. Neste caso, os efeitos aleatórios forneceram melhoria negligenciável (MSE de 0,665 vs. 0,664), sugerindo que a construção de grafos com limiar não capturou sinais estáveis específicos do sujeito. No entanto, um pequeno subgrupo de indivíduos altamente sedentários mostrou ganhos significativos com a abordagem de efeitos aleatórios.

Significado e Alegações
O artigo alega fornecer o primeiro quadro de efeitos aleatórios não linear amplamente aplicável para objetos aleatórios arbitrários em espaços métricos. Seu significado reside em:

• Flexibilidade: Estende estratégias massivas de ajuste univariado para dados com valores em espaços métricos sem exigir estruturas de espaço vetorial linear.
• Desempenho: Demonstra que a modelagem não linear baseada em âncoras pode superar métodos lineares existentes baseados em espaços de Hilbert e capturar efetivamente a heterogeneidade individual em estruturas de dados complexas como distribuições e grafos.
• Praticidade: O algoritmo é computacionalmente simples, paralelizável e adequado para dados clínicos de alta frequência onde os sinais nem sempre podem ser alinhados temporalmente.

Os autores reconhecem limitações, principalmente o custo computacional de ajustar múltiplos modelos univariados, embora observem que, para tamanhos de amostra típicos (por exemplo, $n \approx 4000$), a solução é computacionalmente viável em clusters de alto desempenho. Trabalhos futuros são sugeridos para escalabilidade via subamostragem e quantificação de incerteza.