A Bayesian Joint Model for Physical Activity Scoring with Longitudinal Ordinal Outcomes
The Physical Activity Scale for the Elderly (PASE) is commonly summarized by a single total score, computed as a weighted sum of twelve activity components. This one-size-fits-all aggregation may obscure heterogeneity across activity domains and populations limiting insight into which activity intensity ranges are most relevant for different outcomes. To overcome these shortcomings, we propose a Bayesian joint modeling framework that simultaneously performs dimension reduction on the twelve components and fits an ordinal mixed model. Dimension reduction is achieved via probabilistic principal component analysis aiming to obtain data-driven weights. The proposed model enables joint inference on the latent activity structure while accounting for within-subject correlation and posterior uncertainty. Implementation is carried out in NIMBLE, providing a coherent probabilistic framework for identifying physical activity scores most predictive of longitudinal ordinal outcomes.
Modèle bayésien conjoint pour l'évaluation de l'activité physique avec résultats ordinaux longitudinaux
L'échelle d'activité physique pour les personnes âgées (PASE) est généralement résumée en un score total unique, soit la somme pondérée de douze composants d'activité. Or cette agrégation simpliste peut masquer une hétérogénéité entre domaines d'activité et entre populations, nous empêchant ainsi de savoir quelles plages d'intensité d'activité sont les plus pertinentes pour tel ou tel résultat. Pour pallier ces lacunes, nous proposons un cadre de modélisation bayésienne conjointe qui effectue simultanément une réduction des dimensions des douze composants et l'ajustement d'un modèle mixte ordinal. La réduction des dimensions est réalisée via une analyse en composants principaux probabiliste visant à obtenir des pondérations basées sur les données. Le modèle proposé permet une inférence conjointe sur la structure latente de l'activité tout en tenant compte de la corrélation intra-sujet et de l'incertitude a posteriori. La mise en œuvre est réalisée dans NIMBLE, produisant un cadre probabiliste cohérent pour identifier les scores d'activité physique les plus prédictifs de résultats ordinaux longitudinaux donnés.
Session
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English