Bayesian low-rank latent-cluster regression for mixed health outcomes

Resumo Técnico: Regressão Latente de Baixo RANK com Agrupamento Bayesiano para Resultados de Saúde Mistas

Enunciado do Problema
Estudos modernos de saúde e vigilância frequentemente enfrentam três desafios estatísticos simultâneos: (1) a presença de preditores de alta dimensão e fortemente colineares; (2) múltiplos resultados correlacionados de tipos mistos (por exemplo, dados contínuos, binários e de contagem); e (3) heterogeneidade latente entre as unidades observacionais, onde a relação entre preditores e resultados varia entre subpopulações não observadas. Abordagens tradicionais frequentemente falham em abordar esses aspectos conjuntamente. Superfícies de regressão globais únicas obscurecem heterogeneidades significativas, enquanto modelos de mistura finitos padrão podem ser instáveis quando os preditores são altamente correlacionados e os resultados são de tipos mistos. Além disso, métodos existentes para resultados mistos frequentemente priorizam a seleção de variáveis (esparsidade) em detrimento da estrutura latente de baixa dimensão, ou são restritos a respostas Gaussianas.

Metodologia
Os autores propõem um modelo de Regressão de Baixo RANK com Agrupamento Latente Bayesiano (BMLC) projetado para resultados multivariados mistos. O framework opera como uma mistura finita de superfícies de regressão, onde cada cluster latente $k$ é caracterizado por:

1. Deslocamentos Médios Específicos do Cluster: Um vetor $\mu_k$ representando o intercepto para o cluster $k$.
2. Matrizes de Coeficientes de Baixo RANK: Uma matriz de coeficientes $p \times q$, $B_k$, fatorada como $B_k = L_k R_k^\top$, onde $L_k \in \mathbb{R}^{p \times r_{\max}}$ e $R_k \in \mathbb{R}^{q \times r_{\max}}$. Esta estrutura assume que os efeitos dos preditores sobre os resultados são impulsionados por um pequeno número de direções latentes, com o rank efetivo $r_k \le r_{\max}$ aprendido adaptativamente.
3. Verossimilhanças Mistas: O modelo acomoda coordenadas de resposta Gaussianas, Bernoulli e Binomial Negativa dentro do mesmo framework multivariado.

Estratégia Computacional
Para lidar com a complexidade computacional das verossimilhanças mistas, os autores empregam aumentação Pólya–Gamma. Esta técnica introduz variáveis latentes que transformam os log-verossimilhanças condicionais para respostas Bernoulli e Binomial Negativa em uma forma quadrática unificada. Esta unificação permite:

• Amostragem de Gibbs: Um esquema de amostragem posterior exata para inferência Bayesiana completa.
• Inferência Variacional (IV): Um procedimento variacional rápido de ascensão coordenada usando substitutos quadráticos. Isso serve como uma ferramenta escalável de triagem para seleção de modelos e inicialização.

Adaptatividade de Rank e Seleção de Modelo

• Adaptatividade de Rank: Dentro de cada cluster, o rank efetivo é controlado por priores de contração de Processo Gamma Multiplicativo (MGP). Isso permite que o modelo aprenda a dimensionalidade apropriada sem fixar o rank a priori.
• Seleção de Modelo: O número de clusters ($K$) e o rank máximo nominal ($r_{\max}$) são ajustados usando o Critério de Informação Watanabe-Akaike (WAIC), especificamente adaptado para ajustes variacionais ($WAIC_{IV}$).

Agrupamento e Relato
Abordando a questão da não-identificabilidade de rótulos em modelos de mistura, os autores não dependem de rótulos de componentes arbitrários. Em vez disso, relatam o agrupamento por meio de uma Matriz de Similaridade Posterior (MSP), definida como $S_{ii'} = \Pi(Z_i = Z_{i'} \mid \text{dados})$. Para visualização e particionamento, eles incorporam as unidades no espaço próprio principal da MSP e aplicam agrupamento por deslocamento de média. Esta abordagem fornece uma saída determinística e invariante a rótulos que recupera consistentemente a partição latente sob condições de forte separação.

Contribuições Teóricas
O artigo estabelece propriedades teóricas rigorosas para o modelo proposto:

1. Contração Posterior: Os autores provam que a distribuição posterior contrai em torno das verdadeiras superfícies de regressão específicas do componente identificáveis ($B_k$) e deslocamentos médios ($\mu_k$) a uma taxa de $O(\sqrt{d_n \log n / n})$, onde $d_n$ é a dimensão efetiva.
2. Consistência do Espaço Próprio: A contração também é estabelecida para os subespaços singulares do lado dos preditores associados às matrizes de baixo rank.
3. Consistência de Agrupamento: Sob uma suposição adicional de margem de forte separação, o pipeline padrão (incorporação no espaço próprio da MSP seguida por deslocamento de média) é mostrado para recuperar consistentemente a partição latente verdadeira.

Resultados Empíricos
A metodologia foi avaliada por meio de estudos de simulação e três aplicações do mundo real:

• Simulações: O estudo cobriu quatro regimes: todos Gaussianos, todos Bernoulli, todos Binomiais Negativos e um regime misto. O método proposto (BMLC-IV-MSP) recuperou com precisão o número de clusters e o rank latente. Em cenários de resposta mista e todos de contagem, superou linhas de base padrão (K-means, mclust, PCA-K-means). No cenário todos Gaussianos, performou comparavelmente a um benchmark especializado de mistura de rank reduzido Gaussiano.
• Estudo DoctorVisits: Aplicado a dados de saúde em nível individual (pontuação de saúde, status de seguro, contagem de visitas), o modelo identificou dois grupos distintos de utilização, separando um grande grupo de baixa utilização de um grupo menor de alta utilização com piores resultados de saúde.
• Vigilância de COVID-19 na Flórida: Analisando hospitalizações em nível de condado (Gaussianas) e contagens de óbitos (Binomial Negativa), o modelo produziu clusters de condados espacialmente interpretáveis sem impor um prior espacial, lidando efetivamente com contagens ajustadas por exposição e superdispersão.
• Vigilância de Influenza nos EUA: Aplicado a dados em nível estadual (taxas ponderadas de ILI e contagens de pacientes), o modelo separou com sucesso medidas de atividade relativa de medidas de carga absoluta, fornecendo uma partição unificada dos estados baseada em perfis conjuntos de vigilância.

Significado e Alegações
Os autores posicionam este trabalho como uma abordagem complementar aos métodos existentes de regressão esparsa de alta dimensão. Enquanto métodos esparsos focam na seleção de um pequeno conjunto de preditores, este framework enfatiza a estrutura de resultados de baixa dimensão compartilhada e a heterogeneidade latente entre as unidades. O artigo alega fornecer um pipeline inferencial unificado que é computacionalmente tratável em canais Gaussianos, Bernoulli e Binomial Negativo, abordando um regime comum na vigilância de saúde onde resultados mistos e subpopulações latentes coexistem. O uso da aumentação Pólya–Gamma é destacado como um facilitador chave tanto para inferência exata quanto para triagem variacional rápida, enquanto a estratégia de relato invariante a rótulos garante saídas de agrupamento estáveis e interpretáveis.