Variable Domain Multivariate Functional Principal Component Analysis

Este artigo propõe um novo método de Análise de Componentes Principais Funcionais Multivariadas (MFPCA) que acomoda domínios de observação variáveis ao unificar escores de domínio variável univariados e suavizar sua covariância, demonstrando desempenho superior em relação às abordagens existentes por meio de simulações e de uma aplicação real a dados de monitoramento de pacientes com COVID-19.

O essencial

O Problema: O Dilema do "Filme Desalinhado"

Imagine que você é um crítico de cinema tentando revisar um novo filme. Você tem 1.000 cópias diferentes do mesmo filme, mas há uma pegadinha:

• Algumas pessoas assistiram ao filme completo de 2 horas.
• Algumas pessoas assistiram apenas aos primeiros 30 minutos porque adormeceram.
• Outras assistiram apenas aos últimos 15 minutos porque chegaram atrasadas.

Agora, imagine que você está tentando analisar duas coisas acontecendo no filme ao mesmo tempo: os reviravoltas do enredo (Variável 1) e a música de fundo (Variável 2).

O Jeito Antigo (A Abordagem de "Binning"):
Métodos anteriores para analisar esses dados eram como dizer: "Ok, vamos olhar apenas os primeiros 30 minutos do filme de todos".

• O Problema: Você joga fora todas as informações das pessoas que assistiram ao filme inteiro. Você perde as reviravoltas do enredo que acontecem no final.
• A Alternativa: Você poderia dividir o público em grupos: "Grupo A assistiu 0–30 min", "Grupo B assistiu 30–60 min". Mas isso é confuso. Trata alguém que assistiu 29 minutos como totalmente diferente de alguém que assistiu 31 minutos, mesmo que a experiência deles fosse quase a mesma. É como organizar uma biblioteca por "livros com 100 páginas" e "livros com 101 páginas" em vez de apenas ler a história.

A Solução do Artigo (VD-MFPCA):
Este artigo apresenta uma nova e mais inteligente maneira de analisar esses "filmes desalinhados". Em vez de cortar os dados ou forçar todos em caixas rígidas, os autores criaram um método que entende como o comprimento do filme muda a história.

Como o Novo Método Funciona: O "Editor Inteligente"

Os autores propõem um processo de quatro etapas que age como um editor de cinema muito esperto:

1. Editar Cada Cena Separadamente: Primeiro, eles olham para o "Enredo" e para a "Música" separadamente. Eles descobrem a história e a música médias para pessoas que assistiram a clipes curtos, médios e longos. Eles percebem que o "enredo médio" para um clipe curto parece diferente do "enredo médio" para um clipe longo.
2. Empilhar as Notas: Eles pegam as "notas" (escores) da análise do enredo e as "notas" da análise da música e as empilham juntas para cada pessoa.
3. O Smoothie Mágico (A Inovação Chave): Aqui está a parte genial. Eles percebem que a relação entre o enredo e a música muda dependendo de quanto tempo o filme dura.
   • Analogia: Imagine que em filmes curtos, o enredo e a música estão muito fortemente ligados. Mas em filmes longos, eles se afastam. Os métodos antigos assumiam que estavam ligados da mesma maneira para todos. Este novo método usa um "liquidificador de smoothie" (matematicamente chamado de splines penalizados) para misturar essas relações suavemente. Não força um corte rígido; cria uma curva suave que mostra como a conexão muda conforme o filme fica mais longo.
4. A Revisão Final: Agora, eles podem encontrar os "temas principais" (Componentes Principais) que explicam o filme, sabendo exatamente como esses temas mudam com base em quanto tempo o espectador assistiu.

O Teste: Funcionou?

Os autores realizaram uma simulação massiva (um "cinema virtual") para testar seu método contra o antigo método de "cortar".

• O Cenário: Eles criaram dados falsos onde alguns "pacientes" (ou espectadores de filmes) tinham tempos de observação curtos e outros tinham tempos longos.
• O Resultado: O novo método foi muito melhor. Ele reconstruiu os "filmes" com muito menos erro. O método antigo era como tentar adivinhar o final de um romance de mistério lendo apenas o primeiro capítulo; o novo método leu o livro inteiro para quem o tinha e os capítulos curtos para quem não tinha, e ainda assim descobriu a história inteira perfeitamente.

A Aplicação no Mundo Real: O Filme de "Sinais Vitais" do Hospital

Para provar que isso funciona na vida real, os autores aplicaram seu método a pacientes com COVID-19 em um hospital.

• Os Dados: Eles rastrearam dois sinais vitais: Saturação de Oxigênio (SpO2) e Temperatura Corporal.
• O Domínio Variável: Alguns pacientes ficaram no hospital por 3 dias; outros ficaram por 3 meses. Seus "filmes de observação" tinham comprimentos diferentes.
• O Que Eles Encontraram:
  • A História Média: Eles puderam ver que pacientes que ficaram mais tempo começaram com níveis de oxigênio mais baixos que melhoraram lentamente, enquanto pacientes de curta permanência tiveram oxigênio estável. A temperatura de quase todos começou alta (febre) e diminuiu, independentemente de quanto tempo ficaram.
  • O "Tema Principal" (PC1): O padrão mais importante que encontraram (chamado de primeiro componente principal) foi uma combinação específica de mudanças de oxigênio e temperatura.
  • A Previsão: Eles descobriram que pacientes com uma "pontuação alta" neste tema principal tinham muito mais probabilidade de morrer (25% de mortalidade) em comparação com aqueles com pontuação baixa (7% de mortalidade).
  • Fator Idade: Pacientes mais velhos naturalmente tiveram pontuações mais altas neste "padrão perigoso".

A Conclusão

Este artigo diz: Pare de cortar seus dados apenas porque as pessoas assistiram por quantidades de tempo diferentes.

Ao usar seu novo método de "Domínio Variável", pesquisadores podem analisar múltiplas coisas mudando (como frequência cardíaca e temperatura) simultaneamente, mesmo que algumas pessoas sejam observadas por uma semana e outras por um ano. Isso captura a história completa sem jogar fora o final, levando a previsões muito mais precisas sobre a saúde do paciente.

Resumo técnico

Resumo Técnico: Análise de Componentes Principais Funcionais Multivariada com Domínio Variável

Enunciação do Problema
A Análise de Componentes Principais Funcionais Multivariada (MFPCA) é uma técnica padrão para redução de dimensionalidade em conjuntos de dados contendo múltiplas variáveis funcionais (por exemplo, séries temporais de sinais vitais) observadas nos mesmos sujeitos. No entanto, as estruturas existentes de MFPCA, como a abordagem abrangente de Happ e Greven [2018], dependem de uma suposição crítica: todas as observações funcionais devem ser registradas sobre um domínio comum e fixo. Em aplicações práticas, particularmente em estudos biomédicos longitudinais, essa suposição é frequentemente violada. Os sujeitos frequentemente possuem períodos de observação variáveis devido a fatores como tempos de admissão diferenciados, durações variáveis de internação hospitalar ou desistência precoce. Isso resulta em "dados funcionais de domínio variável", onde o comprimento do domínio $T_i$ varia entre os sujeitos.

As soluções ad-hoc atuais para este problema incluem restringir a análise a um subconjunto comum do domínio (descartando dados valiosos de sujeitos com períodos de observação mais longos) ou agrupar sujeitos em grupos com comprimentos de domínio semelhantes (o que introduz discretização arbitrária e falha em modelar a dependência contínua da estrutura de covariância no comprimento do domínio). Embora Johns et al. [2019] tenham abordado domínios variáveis em um cenário univariado, nenhuma estrutura existente lida efetivamente com o caso multivariado, onde múltiplas variáveis são observadas sobre domínios variáveis e potencialmente distintos.

Metodologia
Os autores propõem uma nova estrutura, MFPCA de Domínio Variável (VD-MFPCA), que estende a FPCA de domínio variável univariada de Johns et al. [2019] para o cenário multivariado. A metodologia procede em quatro etapas distintas:

1. FPCA de Domínio Variável Univariada: Para cada variável funcional $j$, os autores aplicam a abordagem de Johns et al. [2019] separadamente. Isso envolve modelar a função média $\mu_j(t, T_i)$ e a função de covariância $\gamma_j(t, s, T_i)$ como funções suaves do tempo $t$ e do comprimento do domínio $T_i$, utilizando splines de placa fina penalizadas (PTPS) dentro de uma estrutura de modelo aditivo generalizado. Isso produz autofunções univariadas $\hat{\psi}^j_k(t, T_i)$ e escores $\hat{\xi}^j_{ik}(T_i)$ que dependem explicitamente do comprimento do domínio do sujeito.
2. Empilhamento de Escores Univariados: Os escores univariados para cada sujeito são empilhados em um único vetor $\xi_i(T_i)$.
3. Modelagem da Covariância dos Escores como Função do Comprimento do Domínio: Esta é a inovação central. Os autores reconhecem que a matriz de covariância dos escores empilhados, $C(T_i) = \text{Cov}(\xi_i | T = T_i)$, depende do comprimento do domínio. Em vez de assumir uma estrutura de covariância fixa, eles modelam cada elemento único da matriz de covariância empírica como uma função suave de $T$ utilizando splines penalizadas. Isso permite a estimativa de uma matriz de covariância suave $\hat{C}(T)$ para qualquer comprimento de domínio.
4. Decomposição Espectral Multivariada: Para qualquer comprimento de domínio específico $T$, a matriz de covariância estimada $\hat{C}(T)$ é decomposta para obter autovalores multivariados $\nu_m(T)$ e autovetores $c_m(T)$. Estes são usados para calcular escores multivariados $\rho_{im}(T_i)$ e autofunções multivariadas $\Psi^j_m(t, T_i)$, que agora dependem tanto do tempo quanto do comprimento de domínio específico do sujeito.

Principais Contribuições

• Estrutura Inovadora: O artigo apresenta a primeira metodologia para MFPCA que acomoda explicitamente domínios de observação variáveis sem truncar dados ou discretizar sujeitos em grupos.
• Extensão Teórica: Estende a estrutura de FPCA de domínio variável univariada para o cenário multivariado, abordando o desafio complexo de modelar a estrutura de dependência entre múltiplas variáveis quando essas variáveis são observadas sobre diferentes intervalos de tempo.
• Modelagem Suave de Covariância: Ao modelar a covariância dos escores empilhados como uma função suave do comprimento do domínio, o método captura variações contínuas na estrutura de dependência que as estratégias de agrupamento ignoram.

Resultados
Os autores validam o método através de estudos de simulação extensivos e uma aplicação do mundo real.

• Estudo de Simulação: A VD-MFPCA proposta foi comparada a uma abordagem de "agrupamento" (agrupando sujeitos por comprimento de domínio e truncando dados para o comprimento mínimo em cada grupo).

  • Precisão de Reconstrução: A VD-MFPCA alcançou consistentemente um Erro Quadrático Médio Médio (ARMSE) substancialmente menor para reconstruir observações funcionais em comparação com a abordagem de agrupamento, com melhorias variando de 50% a mais de 80% em vários cenários.
  • Estimação de Autofunções: A VD-MFPCA demonstrou superioridade na precisão da estimação de autofunções, particularmente sob distribuições de comprimento de domínio assimétricas (por exemplo, binomial negativa), onde a abordagem de agrupamento sofreu com altos erros devido à perda de informação em domínios truncados.
  • Robustez: O método proposto permaneceu estável através de diferentes tamanhos de amostra ($N=100, 500$), níveis de ruído e distribuições de domínio, enquanto a abordagem de agrupamento mostrou sensibilidade à forma da distribuição e ao número de grupos utilizados.

• Aplicação a Dados de COVID-19: O método foi aplicado às trajetórias de temperatura corporal e saturação de oxigênio capilar (SpO2) de 782 pacientes hospitalizados com COVID-19 com durações de internação variáveis (variando de ~3 dias a ~125 dias).

  • Padrões Dependentes do Domínio: A análise revelou que as trajetórias médias e as estruturas de variância dependem do comprimento da internação. Por exemplo, pacientes com internações mais longas exibiram inicialmente níveis de SpO2 mais baixos que melhoraram gradualmente, um padrão obscurecido por métodos de domínio fixo.
  • Relevância Clínica: Verificou-se que os escores do primeiro componente principal (PC1) estavam fortemente associados à mortalidade do paciente e à idade, mas não ao comprimento do período de observação em si. Isso confirma que o método separa com sucesso artefatos relacionados ao domínio da variação fisiológica intrínseca.
  • Valor Prognóstico: Pacientes no tercil mais alto do PC1 tiveram uma taxa de mortalidade de 25,3%, comparada a ~7,5% nos tercias inferiores, demonstrando a capacidade do método de capturar informações prognósticas a partir de trajetórias conjuntas de sinais vitais.

Significado e Alegações
O artigo afirma que a VD-MFPCA preenche uma lacuna crítica na análise de dados funcionais, fornecendo uma abordagem principial para redução de dimensionalidade em cenários multivariados com domínios variáveis. Os autores afirmam que seu método oferece "ganhos substanciais" tanto na precisão de reconstrução quanto na estimação de autofunções em comparação com estratégias ad-hoc existentes.

O significado do trabalho reside em sua capacidade de utilizar o conteúdo informativo completo de dados longitudinais sem truncamento ou discretização arbitrários. No contexto da aplicação à COVID-19, os autores destacam que o método captura padrões fisiológicos complexos e variáveis no tempo que são preditivos de desfechos clínicos (mortalidade e gravidade relacionada à idade), os quais provavelmente seriam perdidos ou enviesados pela MFPCA tradicional de domínio fixo. Os autores concluem que essa metodologia é particularmente valiosa para pesquisas clínicas envolvendo dados de internação e monitoramento longitudinal onde os períodos de observação são inerentemente variáveis.

O artigo permanece modesto quanto às limitações, reconhecendo que a implementação atual pode ser computacionalmente exigente para conjuntos de dados muito grandes ou altos números de variáveis, e observando que trabalhos futuros poderiam explorar a quantificação de incerteza bayesiana e o tratamento de observações irregulares e esparsas dentro da estrutura de domínio variável.