[논문 리뷰] Functional response regression with funBART: an analysis of patient-specific stillbirth risk

Jennifer E. Starling, Jared S. Murray외 3명|arXiv (Cornell University)|2018. 05. 19.

Statistical Methods and Inference인용 수 2

한 줄 요약

이 논문은 타깃 공변량 중 하나인 임신 기간에만 부드러움을 강제하면서 다른 예측 변수에서는 비부드러운 관계를 허용하는 베이지안 덴드럼 회귀수형 모델인 tsBART를 소개한다. 조산 위험 예측에 적용된 결과, 표준 BART보다 더 부드럽고 해석 가능하며 임상적으로 타당한 환자별 위험 추정치를 제공하여 성능이 뛰어나며, R 패키지 tsbart에 구현되어 있다.

ABSTRACT

This article introduces BART with Targeted Smoothing, or tsBART, a new Bayesian tree-based model for nonparametric regression. The goal of tsBART is to introduce smoothness over a single target covariate t, while not necessarily requiring smoothness over other covariates x. TsBART is based on the Bayesian Additive Regression Trees (BART) model, an ensemble of regression trees. TsBART extends BART by parameterizing each tree's terminal nodes with smooth functions of t, rather than independent scalars. Like BART, tsBART captures complex nonlinear relationships and interactions among the predictors. But unlike BART, tsBART guarantees that the response surface will be smooth in the target covariate. This improves interpretability and helps regularize the estimate. After introducing and benchmarking the tsBART model, we apply it to our motivating example: pregnancy outcomes data from the National Center for Health Statistics. Our aim is to provide patient-specific estimates of stillbirth risk across gestational age (t), based on maternal and fetal risk factors (x). Obstetricians expect stillbirth risk to vary smoothly over gestational age, but not necessarily over other covariates, and tsBART has been designed precisely to reflect this structural knowledge. The results of our analysis show the clear superiority of the tsBART model for quantifying stillbirth risk, thereby providing patients and doctors with better information for managing the risk of perinatal mortality. All methods described here are implemented in the R package tsbart.

연구 동기 및 목표

• 단일 타깃 공변량(예: 임신 기간)에서의 부드러움을 보장하면서 다른 예측 변수에서의 유연성을 유지하는 비모수적 회귀 모델을 개발하는 것.
• 특히 조산에 대해, 환자별 위험 모델링의 해석 가능성과 정규화를 향상시키는 것.
• 임신 기간에 따라 조산 위험이 부드럽게 변화해야 한다는 임상적 기대를 반영하는 것, 다른 어머니나 태아 요인에 대해서는 반드시 그렇다고 보장하지는 않음.
• 모델에 분야 전문 지식을 통합하여 산부인과의사와 환자에게 더 신뢰할 수 있고 임상적으로 의미 있는 위험 추정치를 제공하는 것.
• 실제 산후 데이터 응용에서 National Center for Health Statistics 자료를 사용하여 방법을 구현하고 벤치마킹하는 것.

제안 방법

• tsBART는 각 트리의 종단 노드를 타깃 공변량 t의 부드러운 함수로 매개변수화함으로써 BART를 확장한다. 이는 독립적인 스칼라가 아니라 부드러운 함수를 사용한다.
• t의 부드러운 함수는 각 트리의 종단 노드 내에서 스퍼린 또는 기타 비모수적 부드러움 기법을 사용하여 모델링된다.
• 모델은 복잡한 비선형성과 상호작용을 포착하기 위해 다수의 회귀 트리를 조합하는 BART의 앙상블 구조를 유지한다.
• 사후 추론은 마르코프 체인 몬테카를로(MCMC)를 통해 수행되며, t의 부드러운 함수에 대한 사전분포를 통해 부드러움이 강제된다.
• 이 방법은 비모수적 추정의 민감성을 유지하면서도 타깃 공변량 t에서의 부드러움을 보장함으로써 해석 가능성과 추정 안정성을 향상시킨다.
• 이 방법은 R 패키지 tsbart에 구현되어 있어 유사한 회귀 문제에 대한 재현 가능하고 접근 가능한 적용이 가능하다.

실험 결과

연구 질문

• RQ1 베이지안 비모수적 모델이 단일 타깃 공변량에서의 부드러움을 강제하면서도 다른 예측 변수에서의 민감성을 유지할 수 있는가?
• RQ2 임신 기간에서의 부드러움을 강제하면 조산 위험 예측 모델의 해석 가능성과 정확도가 어떻게 향상되는가?
• RQ3 tsBART는 임신 기간에 걸쳐 환자별 조산 위험을 추정하는 데서 표준 BART를 능가하는가?
• RQ4 예상되는 시간에 따른 위험의 부드러운 변화와 같은 도메인 지식을 통합하면 임상 위험 모델링이 얼마나 향상되는가?
• RQ5 tsBART는 산부인과의사들이 조산 추세를 기대하는 방식과 일치하는 임상적으로 타당한 부드러운 위험 표면을 생성할 수 있는가?

주요 결과

• tsBART는 표준 BART보다 임신 기간에 걸쳐 더 부드럽고 해석 가능한 위험 표면을 생성하여 임상적 기대와 일치한다.
• 모델은 특히 시간에 따른 위험의 예상 점진적 변화를 포착함으로써 조산 위험을 정량화하는 데 뚜렷한 승리함을 보였다.
• 목표 부드러움을 통합함으로써 타깃 공변량에서 추정 안정성이 크게 향상되고 과적합이 감소한다.
• 결과는 임신 기간에서의 부드러움을 강제함으로써 더 신뢰할 수 있는 환자별 위험 예측이 가능해지며, 임상 의사결정 지원이 향상됨을 보여준다.
• 모델은 복잡한 상호작용과 비선형성을 효과적으로 모델링하면서도 임상 도메인 지식에 따라 요구되는 타깃 변수의 부드러움을 유지한다.
• tsBART 모델은 R 패키지 tsbart에 구현되어 있으며, 유사한 생물의학적 응용 분야에서의 도입과 확장이 가능하다.