The super learner for time-to-event outcomes: A tutorial

فيما يلي ملخص تقني مفصل لورقة "المتعلم الفائق لنتائج الوقت حتى الحدث: دليل تعليمي" (The super learner for time-to-event outcomes: A tutorial) بقلم كيوغ وآخرون (Keogh et al).

1. بيان المشكلة

يعد تقدير المخاطر الشرطية أو احتمالات البقاء بناءً على بيانات "الوقت حتى الحدث" الخاضعة للرقابة (censored) مهمة أساسية في الإحصاء الطبي، وتُستخدم في كل من نمذجة التنبؤ والاستدلال السببي (مثل تقدير آثار العلاج). ويتمثل التحدي الرئيسي في هذا المجال في عدم القدرة على معرفة النموذج المرشح (سواء كان بارامترياً، أو شبه بارامتري، أو تعلم آلي) الذي سيوفر أفضل أداء تنبؤي مسبقاً.

تعتمد النهج التقليدية غالباً على اختيار نموذج واحد (مثل نموذج مخاطر كوكس النسبية - Cox proportional hazards) أو مقارنة النماذج بشكل عشوائي. يقدم "المتعلم الفائق" (Super Learner - SL) حلاً عبر إنشاء "مجموعة" (ensemble) تجمع بين مكتبة محددة مسبقاً من المتعلمين المرشحين. يتميز المتعلم الفائق بضمان الأداء الذي يضاهي، من الناحية التقاربية، أفضل متعلم فردي في المكتبة (خاصة "الأوراكل" - oracle property). ومع ذلك، بينما تعد طرق Super Learner للنتائج المستمرة أو الثنائية راسخة، فإن الأدبيات الخاصة بـ نتائج الوقت حتى الحدث مجزأة، وتقنية للغاية، وتفتقر إلى أدلة تنفيذ سهلة الوصول. لا تغطي الأدلة التعليمية الموجودة بيانات البقاء، كما أن التعديلات الخاصة بالرقابة والوقت المستمر منتشرة في أوراق بحثية مختلفة.

2. المنهجية

تقدم الورقة دليلاً تعليمياً شاملاً لثلاثة تطبيقات محددة لـ "المتعلم الفائق" لبيانات الوقت حتى الحدث، مع توضيح الخطوات العامة والاختلافات المحددة لكل منها.

إطار عمل المتعلم الفائق العام

يعتمد الـ SL على التحقق المتقاطع لـ V-fold (V-fold cross-validation) لتقدير الأداء التنبؤي للمتعلمين المرشحين واشتقاق مجموعة مثلى. الخطوات العامة هي:

1. تقسيم البيانات: تقسيم البيانات إلى $K$ من الطيات (folds).
2. التحقق المتقاطع: ملاءمة $p$ من المتعلمين المرشحين على مجموعات التدريب ($D_{-k}$) وتوليد تنبؤات على مجموعات التحقق ($D_k$).
3. حساب الخسارة: حساب دالة الخسارة (التي تقيس الفرق بين القيم المتنبأ بها والقيم الحقيقية) لكل متعلم، مع مراعاة الرقابة.
4. اشتقاق المجموعة (Ensemble):
   • الـ SL غير الجمعي (المنفصل): يختار المتعلم الفردي الذي يحقق أدنى خطر في التحقق المتقاطع.
   • الـ SL الجمعي (القياسي): يقوم بملاءمة نموذج انحدار (عادةً المربعات الصغرى غير السالبة) حيث يكون المخرج هو حالة الحدث المرصودة والمتنبئات هي التنبؤات المتقاطعة من الـ $p$ من المتعلمين. تُقيد المعاملات (الأوزان) لتكون غير سالبة ومجموعها يساوي 1.
5. التقدير النهائي: إعادة ملاءمة المتعلمين المختارين (أو أولئك الذين لديهم أوزان غير صفرية) على كامل مجموعة البيانات ودمجهم باستخدام الأوزان المستخرجة.

التطبيقات المحددة التي تغطيها الورقة

أ. المتعلم الفائق للوقت المنفصل (Polley & van der Laan, 2011)

• المفهوم: يقوم بتجزئة وقت المتابعة إلى فترات، محولاً مشكلة "الوقت حتى الحدث" إلى سلسلة من مشكلات النتائج الثنائية (هل حدث الحدث في الفترة $t$؟).
• هيكل البيانات: يحول البيانات إلى تنسيق "طويل" (counting process) مع صف واحد لكل شخص لكل فترة زمنية.
• المتعلمون المرشحون: يمكن استخدام أي نماذج مخرجات ثنائية (مثل الانحدار اللوجستي، الغابات العشوائية، أو نماذج الجمع المعممة - GAMs).
• دوال الخسارة:
  • $L_{IPCW}$: درجة Brier الموزونة باحتمال الرقية العكسي (تستهدف احتمال البقاء مباشرة).
    برس $L_{L2}$: خسارة الخطأ التربيعي على الخطر المنفصل.
  • $L_{loglik}$: خسارة الاحتمالية القصوى (Log-likelihood).
• التنفيذ: يستخدم حزمة SuperLearner في لغة R. يتطلب تجزئة يدوية للبيانات.

ب. المتعلم الفائق للوقت المستمر: Westling et al. (2023)

• المفهض: يعمل في الوقت المستمر دون تجزئة المخرج. يستهدف توزيع البقاء الشرطي الكامل $S(t|X)$.
• الآلية: يستخدم شبكة زمنية دقيقة لتقريب التكاملات. ويتبع نهجاً تكرارياً لتقدير توزيع البقاء $S(t|X)$ وتوزيع الرقابة $G(t|X)$ في آن واحد باستخدام المتعلمين الفائقين لكل منهما.
• دالة الخسارة: درجة Brier متكاملة موزونة عبر الفترة $(0, \tau)$.
• المجموعة: يشتق الأوزان عبر انحدار "المخرج الزائف" (pseudo-outcome) (المبني من البيانات المرصودة وتقديرات الرقبة) مقابل تنبؤات البقاء المتقاطعة من المتعلمين المرشحين.
• التنفيذ: يستخدم حزمة survSuperLearner في لغة R (عبر GitHub).

ج. المتعلم الفائق للبقاء المشترك: Munch & Gerds (2025)

• المفهوم: نهج غير جمعي مصمم للإعدادات التي قد تتضمن مخاطر متنافسة (رغم تطبيقه هنا على بيانات حدث واحد). يقوم بنمذجة احتمالات إشغال الحالة (عدم وقوع حدث/غير خاضع للرقابة، وقع الحدث، خاضع للرقابة).
• الآلية: يحدد المتعلمين المرشحين للمخاطر التراكمية للحدث ($\Lambda$) وللرقابة ($\Gamma$).
• دالة الخسارة: درجة Brier متكاملة تُحسب عبر جميع الحالات الثلاث عند كل نقطة زمنية.
• المجموعة: على عكس الطريقتين الأخريين، هذه طريقة غير جمعية. فهي تختار أفضل زوج من المتعلمين المرشحين (واحد للحدث وواحد للرقابة) الذي يقلل من خسارة التحقق المتقاطع.
• التنفيذ: يستخدم حزمة jossl في لغة R (عبر GitHub).

3. المساهمات الرئيسية

• دليل تعليمي ميسر: يسد الفجوة بين الأوراق البحثية التقنية للغاية والتطبيق العملي، موفراً رؤية موحدة لطرق المتعلم الفائق للوقت المنفصل والمستمر.
• إرشادات التنفيذ: يفصل كيفية تنفيذ هذه الطرق في لغة R، مع الإشارة إلى حزم محددة (SuperLearner و survSuperLearner و jossl) وتوفات كود "يدوي" لتوضيح الآليات الأساسية.
• التحليل المقارن: يقارن بشكل منهجي بين النهج الثلاثة من حيث:
  • التعامل مع الرقابة (محددة مسبقاً أم مقدرة عبر الـ SL).
  • متطلبات التجزئة (الزمن المنفصل يتطلبها؛ الزمن المستمر لا يتطلبها).
  • خصائص الأوراكل والضمانات النظرية.
  • مرونة اختيار المتعلم المرشح.
• كود قابل لإعادة الإنتاج: يوفر مستودع GitHub يحتوي على الكود اللازم لإعادة إنتاج جميع التحليلات والأمثلة.

4. النتائج (التطبيق على بيانات سرطان الثدي في روتردام)

طبق المؤلفون هذه الطرق على مجموعة بيانات "روتردام" (تكرار سرطان الثدي/الوفاة) للتنبؤ باحتمالات البقاء لمدة 10 سنوات.

• مقاييس الأداء: تم التقييم باستخدام درجة Brier، ودرجة Brier الموزونة، ومعامل C-index، وAUC الديناميكي.
• المتعلمون الأفراد: تفوقت "الغابة العشوائية للبقاء" (Random Survival Forest - RSF) على نموذج كوكس القياسي ونموذج Cox-Lasso.
• الـ SL للوقت المنفصل:
  • كان الأداء حساساً لمستوى التجزئة. استخدام 100 فترة زمنية أدى إلى أداء أسوأ إجمالاً (درجة Brier) مقارنة بـ 10 فترات، ويرجع ذلك على الأرجح إلى سوء نمذجة الخطر الأساسي مع مؤشرات زمنية عالية الأبعاد.
  • كان التمييز (C-index) متشابهاً عبر مستويات التجزئة المختلفة.
• الـ SL للوقت المستمر:
  • تفوقت كل من طريقة Westling et al. (الجمعية) وطريقة Munch & Gerds (غير الجمعية) على الـ SL للوقت المنفصل من حيث دقة التنبؤ الإجمالية (درجة Brier).
  • حقق الـ SL الجمعي لـ Westling et al. أداءً يكاد يكون مطابقاً لأفضل متعلم فردي (RSF)، مما يعني أنه اختار RSF كعنصر مهيمن.
  • اختار الـ SL غير الجمعي لـ Munch & Gerds نموذج RSF كأفضل زوج، مما أعطى نتائج مطابقة لنموذج RSF المستقل.
• أوزان المجموعة: في المجموعة الزمنية المستمرة، حصلت RSF على أعلى وزن، مع مساهمة من نماذج Cox مع Lasso أو GAMs. تباينت أوزان المجموعة الزمنية المنفصلة بشكل كبير بناءً على دالة الخسارة ومستوى التجزئة.

5. الأهمية والمناقشة

• الفائدة العملية: توضح الورقة أن المتعلمين الفائقين هي أدوات قابلة للتطبيق وفعالة في تحليل البقاء، وغالباً ما تضاهي أو تتجاوز أداء أفضل نموذج تعلم آلي فردي دون الحاجة من المحلل لتخمين الهيكل الصحيح للنموذج.
• المستمر مقابل المنفصل: بينما توفر نماذج الـ SL للوقت المنفصل مرونة في استخدام نماذج المخرجات الثنائية، يُفضل عموماً استخدام طرق الوقت المستمر لبيانات البقاء لأنها تتجنب فقدان المعلومات الناتج عن التجزئة وتسمح بتقدير مرن لتوزيع الرقابة.
• الاستدلال السببي: يسلط المؤلفون الضوء على أن هذه الطرق ليست مجرد أدوات للتنبؤ، بل هي مكونات حاسمة في أطر الاستدلال السببي (مثل TMLE) حيث يجب تقدير المعلمات المزعجة (توزيعات البقاء والرقبة) بشكل مرن.
• الاتجاهات المستقبلية: تشير الورقة إلى قيود، مثل صعوبة التعامل مع "القطع من اليسار" (left-truncation) في بعض طرق الوقت المستمر، وإمكانية وجود تقديرات مخاطر سالبة في مناهج الملاحظات الزائفة (pseudo-observation). وتقترح أن اختيار الطريقة يجب أن يعتمد على هيكل البيانات المحدد (مثل وجود مخاطر متنافسة) والقيود الحسابية.

في الختام، تعمل هذه الورقة التعليمية على تبسيط تطبيق المتعلمين الفائقين لبيانات الوقت حتى الحدث، مما يوفر للباحثين الفهم النظري والأدوات العملية لتنفيذ نماذج تنبؤ قوية ذات كفاءة "أوراكل" في ظل وجود الرقبة.