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

技术摘要：基于广义几率的标量对分布回归

问题陈述
数字健康技术（DHT）生成连续、高分辨率的行为数据（例如，分钟级的加速度计数据），这些数据构成了丰富的个体特异性分布。虽然这些分布包含比标量摘要（如每日总活动计数）更多的信息，但识别哪些分布特征对临床结局最具预测性仍然是一个开放性挑战。Niyogi 等人 [2024] 的前序工作表明，基于风险（hazard-based）的表示法（强调尾部行为，即极端活动水平）在预测多发性硬化症（MS）残疾方面优于其他表示法。然而，现有方法通常依赖于特定的分布对象（密度、分位数、生存函数或风险函数），这些对象可能无法充分捕捉极端值与典型值之间的对比，特别是在稀疏或离散的数据语境下。

方法论
作者提出了一个统一的**广义几率（Generalized Odds, GO）框架来表示个体特异性分布，以及相应的标量对几率回归（scalar-on-odds regression）**模型。

1. 广义几率定义：
   该框架定义了一个个体特异性的广义几率函数 $h_{4,F}$，它是样本空间内两个任意事件概率的比值。对于随机变量 $X$ 及其分布 $F$，以及区间 $A=[u_1, u_2]$ 和 $B=[u_3, u_4]$，GO 定义为：
   $$h_{4,F}(u_1, u_2, u_3, u_4) = \frac{P(X \in [u_3, u_4])}{P(X \in [u_1, u_2])} = \frac{F(u_4) - F(u_3)}{F(u_2) - F(u_1)}$$
   该公式推广了现有的分布对象：

   • 概率质量函数 (PMF)： $h_{4,F}(0, D, k, k-1) = p(k)$。
   • 风险函数 (Hazard Function)： $h_{4,F}(k, D, k-1, k) = \lambda(k)$。
   • 剩余寿命分布 (Residual Life Distribution)： $h_{4,F}(t, D, t, t+u)$。
   • 1-指标与 2-指标对象： 将生存概率与累积概率进行比较的 $S(u)/F(u)$，或将生存概率与生存概率进行比较的 $S(u_2)/S(u_1)$ 等特例。

2. 回归模型：
   作者构建了一个标量对泛函回归模型，其中临床结局 $y_i$（例如 EDSS 评分）通过连接函数 $g$ 与 GO 函数 $h_{F_i}$ 相关联：
   $$g(\mu_i) = \alpha + \int \beta(u) h_{F_i}(u) du$$
   其中 $\mu_i = E[y_i | X_i]$。系数函数 $\beta(u)$ 使用基于样条的泛函表示法进行估计。具体而言，$\beta$ 通过 B-样条基函数的张量积进行近似：
   $$\beta(u_1, u_2, u_3, u_4) = \sum_{k_1}\sum_{k_2}\sum_{k_3}\sum_{k_4} b_{k_1,k_2,k_3,k_4} B_{k_1}(u_1)B_{k_2}(u_2)B_{k_3}(u_3)B_{k_4}(u_4)$$

3. 估计与正则化：
   为了处理高维张量系数并识别具有信息量的分布区域，作者采用了惩罚似然估计。他们评估了四种惩罚函数以诱导稀疏性和变量选择：

   • Lasso ($L_1$)
   • 弹性网络 (Elastic Net)
   • 平滑绝对偏差 (SCAD)
   • 最小最大凹惩罚 (MCP)

数据与应用
该方法应用于 HEAL-MS 研究（旨在通过居家评估活动量来预测多发性硬化症长期功能的实验）的数据，该研究涉及 248 名 MS 患者。

• 预测变量： 佩戴在手腕上的加速度计数据（GT9X Actigraph），收集时间为 2 周，处理为 8 AM 到 8 PM 的 1 分钟步长活动计数（经过对数转换）。
• 结局： 扩展残疾状态量表 (EDSS) 评分（0–10）。
• 比较对象： GO 模型与经典的标量摘要（平均活动计数）以及标量对生存模型进行了比较。

关键结果
通过 100 次重复的 5 折交叉验证，研究报告了用于 EDSS 评分的预测性能（以交叉验证 $R^2$ 衡量）：

• 标量摘要（平均活动量）： $R^2 \approx 0.095$。
• 标量对生存函数： $R^2 \approx 0.115$。
• 标量对 1-指标几率： $R^2 \approx 0.151$ (Lasso)。
• 标量对 2-指标几率： $R^2 \approx 0.146 - 0.151$。
• 标量对 4-指标几率（广义）： $R^2 \approx 0.208 - 0.209$。

4-指标 GO 模型始终优于所有其他方法，其预测性能几乎是标量摘要的两倍，并显著优于基于生存函数的模型。弹性网络和 Lasso 惩罚产生的 4-指标模型 $R^2$ 值最高。

意义与主张
论文声称，广义几率框架通过以下方面提供了重要的 metodological（方法论）进步：

1. 直接针对尾部行为： 与总结整体形状的单指标表示（如密度）不同，GO 函数显式地对比了极端值与典型值，捕捉了先前 MS 研究中确定的关键“尾部行为”。
2. 稳健性： 即使对于直接密度估计可能失效的稀疏、有界或离散数据，这种基于比率的公式形式依然保持定义明确且稳定。
3. 统一框架： 它将风险函数、生存函数和剩余寿命表示作为特例纳入其中，提供了一种灵活且统一的处理分布协变量的方法。

作者得出结论，在临床环境中，基于几率的分布协变量提供了卓越的预测价值，特别证明了物理活动的尾部行为是多发性硬化症残疾结局的关键驱动因素。他们指出，虽然本次应用侧重于 MS，但该框架广泛适用于其他在科学上具有极端行为与典型行为对比意义的领域。