📊 statistics

From Risk Sets to Martingales: A Counting-Process Framework for Event-History Learning

Este artículo establece un marco unificado de aprendizaje de historial de eventos basado en la notación de procesos de conteo y la teoría de martingalas que traduce diversos problemas de datos censurados, recurrentes y de múltiples estados en cinco objetos matemáticos recurrentes, proporcionando así algoritmos computacionales comunes, plantillas de prueba teórica y un lenguaje compartido para derivar y comparar métodos de supervivencia clásicos y de aprendizaje automático.

Autores originales: Eliuvish Han Cui

Publicado 2026-06-23

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Eliuvish Han Cui

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de predecir cuándo se fundirá una bombilla o cuándo un paciente recaerá después de un tratamiento. En el mundo real, rara vez llegas a ver el momento exacto en que ocurre el "evento". A veces la bombilla sigue funcionando cuando dejas de observar (censura). A veces revisas la bombilla una vez a la semana y sabes que se rompió en algún momento entre el martes y el viernes (censura por intervalo). A veces un paciente puede enfermarse, mejorar, volver a enfermarse y luego morir (multiestado).

Este artículo es esencialmente un traductor universal y un kit de construcción para manejar todos estos cronogramas desordenados e incompletos. El autor, Elvis Han Cui, sostiene que, en lugar de tratar cada tipo de datos de supervivencia como un problema único y confuso, podemos verlos todos a través de una única y poderosa lente matemática llamada el Marco del Proceso de Conteo (Counting-Process Framework).

Aquí está el desglose de las ideas del artículo utilizando analogías cotidianas:

1. La idea central: El "Conjunto de Riesgo" y la "Sorpresa"

El artículo comienza con una ecuación simple: $dN(t) = Y(t)\alpha(t)dt + dM(t)$ .
Esto es como una receta para predecir el futuro:

$Y(t)$ (El Conjunto de Riesgo): Esta es la multitud de personas o cosas que están actualmente "en el juego". Si estás estudiando bombillas, $Y(t)$ es el número de bombillas que aún están encendidas. Si una bombilla se funde o dejas de observarla, abandona la multitud.
$\alpha(t)$ (El Riesgo/Hazard): Esta es la "presión instantánea" o el riesgo de falla en este momento exacto.
$dN(t)$ (El Salto): Es el evento real ocurriendo (una bombilla fundiéndose, un paciente recayendo).
$dM(t)$ (La Martingala/Sorpresa): Esta es la parte más importante. Representa lo inesperado. Incluso si conoces el tamaño de la multitud y el riesgo, no puedes predecir exactamente cuándo se fundirá la próxima bombilla. La "Martingala" es la forma matemática de decir: "La diferencia entre lo que esperábamos que sucediera y lo que realmente sucedió es solo ruido aleatorio".

La afirmación principal del artículo es que, si puedes separar la multitud predecible de la sorpresa aleatoria, puedes construir un sistema unificado para analizar casi cualquier tipo de datos de tiempo hasta el evento.

2. Los cinco bloques de construcción

En lugar de memorizar cientos de fórmulas diferentes para distintos escenarios, el artículo dice que cada problema puede descomponerse en cinco objetos recurrentes:

Proceso de Riesgo: ¿Quién sigue en el juego?
Proceso de Salto: ¿Cuándo ocurrió realmente el evento?
Compensador: ¿Qué esperábamos que sucediera según las reglas?
Ecuación de Estimación: La herramienta matemática utilizada para encontrar la respuesta.
Argumento Límite: La prueba de que la respuesta mejora a medida que obtienes más datos.

3. Lo que este marco puede hacer

El artículo muestra cómo este único marco maneja una variedad de situaciones complejas, traduciéndolas todas al mismo lenguaje:

Supervivencia Estándar (Censura por la derecha): La clásica curva de "Kaplan-Meier". Imagina una línea de corredores. Algunos se retiran (son censurados) antes de la línea de meta. El marco calcula la probabilidad de terminar mirando quién sigue corriendo en cada paso.
Múltiples Estados (Multistate): Imagina a un paciente que pasa de "Sano" $\to$ "Enfermo" $\to$ "Muerto", o de "Sano" $\to$ "Muerto" directamente. El artículo utiliza una integral de producto (como multiplicar una serie de pequeñas probabilidades) para rastrear la probabilidad de estar en cualquier estado específico en cualquier momento. Es como un diagrama de flujo donde multiplicas las posibilidades de tomar cada camino.
Eventos Recurrentes: ¿Qué pasa si un paciente se enferma, mejora y se vuelve a enfermar? El marco cuenta cada "salto" (enfermedad) siempre que el paciente siga en el conjunto de riesgo.
Censura por Intervalo: Imagina que solo revisas la salud de un paciente los lunes y los miércoles. Si está enfermo el miércoles pero sano el lunes, sabes que el evento ocurrió en medio, pero no exactamente cuándo. El artículo utiliza un algoritmo de "autoconsistencia" (como un algoritmo EM) para redistribuir la masa de probabilidad a través de los posibles intervalos de tiempo hasta que encuentra el mejor ajuste.
Inferencia Causal (Variables Instrumentales): A veces, un tratamiento (como un fármaco) se le da a pacientes más enfermos, haciendo que parezca que el fármaco es malo. Para solucionar esto, el artículo utiliza "Variables Instrumentales" (como un marcador genético o la preferencia aleatoria de un médico) para aislar el verdadero efecto causal, separando el efecto del fármaco del estado de salud subyacente del paciente.

4. La innovación de la "Validación Cruzada" (Cross-Fitting)

Una de las nuevas contribuciones del artículo es un método para validar modelos modernos de aprendizaje automático (como las redes neuronales) utilizados para datos de supervivencia.

El Problema: Si entrenas un modelo con un conjunto de datos y lo pruebas con los mismos datos, podría simplemente estar memorizando las respuestas (sobreajuste/overfitting).
La Solución: El artículo propone un enfoque de "validación cruzada" (cross-fitted). Entrenas el modelo con el 90% de los datos y lo pruebas con el 10% restante.
La Magia: El artículo demuestra una nueva identidad matemática: si tu modelo es bueno, la "sorpresa" (residuos de la martingala) en el grupo de prueba debería parecer ruido aleatorio. Si el modelo es malo, la "sorpresa" mostrará un patrón. Esto proporciona una forma rigurosa de verificar si un modelo de IA complejo está realmente aprendiendo el historial del evento o simplemente adivinando.

5. Por qué esto es importante

El artículo no solo enumera métodos antiguos; proporciona un lenguaje común.

Para Matemáticos: Proporciona "plantillas de prueba". En lugar de demostrar un nuevo teorema desde cero para cada nuevo tipo de datos, puedes introducir tu problema en estos cinco bloques de construcción y utilizar las pruebas existentes.
Para Científicos de Datos: Convierte el análisis de supervivencia complejo en algoritmos reutilizables. Ya sea que estés analizando bombillas, la permanencia histórica en un empleo o las recaídas de pacientes, el "barrido del conjunto de riesgo" (Algoritmo 1) es el mismo.
Para Todos: Unifica el campo. Ya sea que estés realizando una simple "prueba de Log-Rank" para comparar dos grupos o un complejo "modelo no paramétrico bayesiano" para transiciones de múltiples estados, todos son solo diferentes formas de gestionar el Conjunto de Riesgo y la Sorpresa.

Resumen

Piensa en este artículo como un adaptador universal para datos de tiempo hasta el evento. Ya sea que tus datos sean desordenados, incompletos, tengan múltiples estados o involucren preguntas causales, el autor demuestra que puedes despojar la complejidad y mirar la mecánica central: ¿Quién está en riesgo? ¿Qué esperábamos? ¿Qué sucedió realmente? ¿Y fue la diferencia solo ruido aleatorio? Al responder estas preguntas de manera consistente, podemos derivar, verificar y comparar cualquier método para analizar historiales de eventos.

Resumen Técnico: De los Conjuntos de Riesgo a los Martingalas: Un Marco de Procesos de Conteo para el Aprendizaje de Historiales de Eventos

Planteamiento del Problema

Los datos de supervivencia e historial de eventos son intrínsecamente observaciones filtradas en lugar de variables de respuesta completas. En cualquier tiempo $t$ , el analista observa la historia acumulada (conjuntos de riesgo, covariables, estados previos), pero solo observa el salto del evento cuando este ocurre. Esta asimetría temporal complica el análisis de datos censurados, truncados, recurrentes, multiestado y dependientes de covariables. Si bien existen numerosos métodos específicos (por ejemplo, Kaplan–Meier, regresión de Cox, Fine–Gray), existe la necesidad de un marco unificado que separe la información predecible del conjunto de riesgo de los saltos de eventos observados para facilitar la derivación, verificación y comparación de métodos tanto clásicos como de aprendizaje automático para datos de historial de eventos.

Metodología

El artículo establece un marco unificado basado en la notación de procesos de conteo y la representación de intensidad multiplicativa:
$dN(t) = Y(t)\alpha(t)dt + dM(t)$
donde:

$N(t)$ es el proceso de salto (conteo de eventos observado).
$Y(t)$ es el proceso de riesgo predecible (número en riesgo).
$\alpha(t)$ es la función de intensidad.
$Y(t)\alpha(t)dt$ es el incremento del compensador.
$dM(t)$ es la innovación de la martingala.

En lugar de catalogar métodos de supervivencia específicos, el marco traduce cada problema de aprendizaje parcialmente observado en cinco objetos recurrentes:

Proceso de Riesgo: El conjunto predecible de sujetos elegibles para un evento.
Proceso de Salto: Los incrementos de eventos observados.
Compensador: El modelo de intensidad predecible.
Ecuación de Estimación: Derivada de las propiedades de la martingala o de las verosimilitudes.
Argumento Límite: La justificación asintótica (por ejemplo, teoremas del límite central de martingalas).

El artículo aplica sistemáticamente este marco en cuatro dominios:

Estimación No Paramétrica: Derivando estimadores de Nelson–Aalen (riesgo acumulado), Kaplan–Meier (supervivencia), Aalen–Johansen (multiestado), Dabrowska (bivariante) y Turnbull (censura por intervalo) como actualizaciones de la integral de producto o maximizaciones de verosimilitud.
Pruebas de Hipótesis: Formulando pruebas de log-rank y ponderadas como contrastes de conjuntos de riesgo de martingala, extendiéndose a escenarios estratificados, de riesgos cruzados y de riesgos competitivos.
Modelado de Regresión: Unificando modelos Cox–Andersen–Gill (multiplicativos), Aalen (aditivos), de transformación/AFT y modelos semi-Markov. Maneja explícitamente la dependencia de la duración distinguiendo entre el tiempo de calendario y el tiempo de estancia transcurrido.
Inferencia Causal: Adaptando métodos de variables instrumentales (IV) (por ejemplo, G-estimation, modelos de Cox estructurales) a resultados censurados mediante la combinación de restricciones de momento causales con ecuaciones de estimación de procesos de conteo.

El marco también integra el aprendizaje automático moderno mapeando aprendices flexibles (bosques aleatorios, redes neuronales) en esta estructura, abordando específicamente la validación de ajuste cruzado (cross-fitted validation) para datos censurados.

Contribuciones Clave

1. Unificación Computacional

El artículo convierte diversas tareas computacionales en algoritmos reutilizables y diagnósticos de simulación:

Barridos de conjuntos de riesgo (Risk-set sweeps): Un algoritmo unificado (Algoritmo 1) para cálculos de Nelson–Aalen, Kaplan–Meier, log-rank y la puntuación de Cox.
Actualizaciones de integral de producto: Algoritmos para transiciones multiestado (Aalen–Johansen) y contabilidad de tiempo transcurrido semi-Markov.
Verosimilitudes de intervalo: El esquema de auto-consistencia/EM-ICM de Turnbull para datos censurados por intervalo.
Validación de ajuste cruzado (Cross-fitted validation): Un envoltorio (Algoritmo 4) para aplicar aprendices modernos a datos censurados respetando el conjunto de riesgo predecible y la filtración.

2. Contribuciones Teóricas

Plantillas de Demostración: El artículo proporciona una estructura estandarizada para demostrar la consistencia, normalidad asintótica y estimación de varianza para una amplia clase de estimadores utilizando descomposiciones de martingala y métodos delta funcionales.
Nuevo Resultado Teórico (Teorema 27): El artículo demuestra una nueva identidad de validación del compensador fuera de la muestra (out-of-fold compensator validation identity) para aprendices de ajuste cruzado censurados. Establece que, condicionado a los pliegues (folds) de entrenamiento, las puntuaciones de residuo del pliego de validación están centradas en la martingala si y solo si la intensidad aprendida está calibrada en un sentido de intensidad integrada ponderada. Esto interpreta el ajuste cruzado como un requisito de filtración: las predicciones de validación pueden depender de los datos de entrenamiento y de la historia previa a $t$ , pero no de los saltos futuros de validación.

3. Mapeo de Aplicaciones

El marco mapea diversos domios —biomédicos, de fiabilidad, operativos, económicos, financieros, literarios, históricos y ejemplos causales de supervivencia— sobre el mismo lenguaje de conjuntos de riesgo y compensadores. Esto permite un lenguaje matemático común para derivar y comparar métodos a través de estos campos.

Resultados y Alcance

El artículo no presenta nuevos datos empíricos, sino más bien una síntesis teórica y algorítmica. Sus "resultados" son la unificación exitosa de:

Estimadores: Desde curvas simples de censura por la derecha hasta superficies compleres de superficie bivariante censurada por intervalo y probabilidades de transición multiestado.
Pruebas: Desde pruebas estándar de log-rank hasta comparaciones adaptativas, ponderadas y de riesgos competitivos.
Modelos: Desde paramétricos (Weibull, Gompertz) hasta semiparamétricos (Cox, Aalen) y totalmente no paramétricos (Beran, Turnbull).
Métodos Causales: Modelos de IV de riesgo aditivo y de Cox estructural que manejan la endogeneidad en resultados de tiempo hasta el evento.

El artículo demuestra que la descomposición del proceso de conteo $dN = Y\alpha dt + dM$ sirve como la "base analítica común" para todos estos métodos. Muestra que el estimador de Nelson–Aalen es el prototipo para la estimación del riesgo acumulado, el estimador de Kaplan–Meier es una transformación de integral de producto de este, y el estimador de Aalen–Johansen es la extensión multiestado de la misma lógica.

Significado y Reivindicaciones

El artículo afirma proporcionar un lenguaje matemático común para derivar, verificar y comparar métodos clásicos y de aprendizaje automático para datos de historial de eventos censurados, recurrentes y multiestado.

Para el Análisis Clásico: Ofrece plantillas de demostración que aclaran los argumentos recurrentes de martingala, verosimilitud e integral de producto, haciendo que la derivación de nuevos estimadores sea más sistemática.
Para el Aprendizaje Moderno: Aborda la integración de modelos de aprendizaje automático flexibles (por ejemplo, redes neuronales, bosques aleatorios) con los requisitos estrictos de la inferencia de datos censurados. Específicamente, proporciona la justificación teórica (Teorema 27) para el uso de ajuste cruzado en entornos de supervivencia, asegurando que los residuos de validación se comporten como martingalas solo cuando el modelo está debidamente calibrado.
Para la Inferencia Causal: Cierra la brecha entre la teoría de variables instrumentales y el análisis de supervivencia, mostrando cómo construir estimadores G válidos y modelos estructurales que respeten la filtración de los datos censurados.

Los autores posicionan este trabajo no como un catálogo de métodos nombrados, sino como un marco organizador donde el "conjunto de riesgo, el mecanismo de censura y las restricciones de filtración" se hacen explícitos para cualquier problema de aprendizaje. El objetivo final es facilitar la transferencia de métodos entre dominios (por ejemplo, de ensayos clínicos a la ingeniería de fiabilidad) asegurando que comparten la misma estructura estocástica subyacente.