📊 statistics

Smooth Transformation Models for Survival Analysis: A Tutorial Using R

Este tutorial presenta el paquete "tram" en R como un marco unificado de máxima verosimilitud para modelos de transformación suave, demostrando cómo aborda desafíos complejos del análisis de supervivencia —tales como riesgos no proporcionales, censura dependiente y datos agrupados— a través de un enfoque flexible que abarca tanto modelos paramétricos establecidos como extensiones avanzadas.

Autores originales: Sandra Siegfried, Bálint Tamási, Torsten Hothorn

Publicado 2026-06-09

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Sandra Siegfried, Bálint Tamási, Torsten Hothorn

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 eres un médico intentando predecir cuánto tiempo sobrevivirán los pacientes después de un tratamiento específico. En el mundo de la estadística, esto se llama Análisis de Supervivencia. Durante décadas, los investigadores han tenido un maletín de herramientas lleno de diferentes métodos para hacer esto. Sin embargo, el artículo argumenta que este maletín de herramientas se ha vuelto desordenado y confuso. Algunas herramientas solo funcionan para situaciones simples, otras son difíciles de usar cuando los datos están incompletos, e intentar comparar los resultados de diferentes herramientas es como intentar comparar manzanas con naranjas porque miden las cosas de forma ligeramente distinta.

Los autores, Sandra Siegfried, Bálint Tamási y Torsten Hothorn, introducen un nuevo marco unificado llamado Modelos de Transformación Suave (Smooth Transformation Models). Piensa en esto no como una sola herramienta, sino como una "Navaja Suiza" para el análisis de supervivencia que vive en el sistema de software R. Permite a los investigadores utilizar un conjunto consistente de reglas para manejar casi cualquier escenario de supervivencia, desde casos simples hasta otros muy complejos.

Aquí tienes un desglose de sus ideas utilizando analogías de la vida cotidiana:

1. El Problema: Un taller desordenado

Imagina que estás intentando reparar un coche.

La forma antigua: Tienes una llave inglesa para los pernos, un destornillador para los tornillos y una herramienta especializada para el motor. Si necesitas apretar un perno y un tornillo al mismo tiempo, tienes que cambiar de herramienta, y a veces las herramientas no encajan bien entre sí. Si tienes un perno extraño y oxidado (datos complejos), es posible que no tengas la herramienta adecuada en absoluto.
La solución del artículo: Los autores construyeron una "Llave Universal" (el paquete tram). Puede apretar pernos, girar tornillos y manejar piezas oxidadas, todo con el mismo mecanismo. Utiliza un único lenguaje matemático (Máxima Verosimilitud) para describir todo, lo que facilita la transición entre modelos simples y complejos sin cambiar todo tu enfoque.

2. El Concepto Central: Estirar la línea de tiempo

En el corazón de este marco de trabajo está la idea de la transformación.
Imagina el tiempo de supervivencia como una banda elástica.

Modelos Simples (como el de Weibull): Asumen que la banda elástica se estira en una línea perfectamente recta y predecible. Es fácil de calcular, pero si el mundo real es irregular, el modelo se rompe.
Modelos de Transformación Suave: Permiten que la banda elástica se estire, se retuerza y se moldee en cualquier curva suave necesaria para adaptarse perfectamente a los datos. Los autores utilizan "splines suaves" (como una regla flexible) para moldear la línea de tiempo de modo que se ajuste a los datos reales de los pacientes, ya sean exactos, faltantes o difusos.

3. Manejo de Datos "Desordenados"

Los datos médicos del mundo real rara vez son perfectos. El artículo muestra cómo este nuevo marco maneja tres tipos comunes de "desorden":

Censura por Intervalo (El problema del "No sé exactamente"):
- Escenario: Un paciente viene a un chequeo el lunes y está bien. Vuelve el viernes y está enfermo. Sabes que el evento ocurrió entre el lunes y el viernes, pero no exactamente cuándo.
- Herramientas antiguas: Muchas herramientas estándar tienen dificultades con esta ventana de tiempo "difusa".
- Nueva herramienta: El marco trata esta ventana de tiempo de forma natural, ajustando la banda elástica al intervalo en lugar de forzar una suposición única.
Riesgos No Proporcionales (El problema del "Efecto Cambiante"):
- Escenario: Un fármaco puede funcionar de maravilla durante el primer año, pero dejar de funcionar después de eso. O puede ayudar a los jóvenes pero perjudicar a los mayores.
- Herramientas antiguas: Muchas asumen que el efecto del fármaco es constante (como un interruptor de luz que está encendido o apagado).
- Nueva herramienta: Este marco permite que el "interruptor" sea un regulador de intensidad (dimmer). Puede modelar cómo el poder del fármaco cambia con el tiempo o a través de diferentes grupos.
Censura Dependiente (El problema del "Abandono"):
- Escenario: Los pacientes que están en mal estado podrían abandonar el estudio con más frecuencia que aquellos que están bien. Si ignoras esto, tus resultados estarán sesgados.
- Nueva herramienta: Los autores muestran cómo utilizar una "cópula" (un pegamento estadístico) para unir el tiempo de supervivencia del paciente y su tiempo de abandono, reconociendo que podrían estar relacionados.

4. La Prueba del Mundo Real: El Ensayo de Cáncer Rectal

Para demostrar que su marco funciona, los autores lo aplicaron a datos reales de un importante ensayo de cáncer (CAO/ARO/AIO-04) que involucró a 1,236 pacientes con cáncer de recto.

Compararon un tratamiento estándar (5-FU) contra uno experimental (5-FU + Oxaliplatino).
Utilizaron su "Llave Universal" para ajustar modelos que tenían en cuenta el hecho de que los pacientes fueron tratados en 88 hospitales diferentes (datos agrupados o clustered) y que algunos tiempos de eventos eran difusos (censurados por intervalo).
El Resultado: Confirmaron que el tratamiento experimental generalmente mejoró la supervivencia, pero también descubrieron que el beneficio no era el mismo para todos. Parecía ayudar más a los pacientes jóvenes que a los mayores.

5. Medicina Personalizada: El enfoque de "Árbol"

El artículo también explora cómo adaptar el tratamiento al individuo.

Imagina un árbol de decisión (como un libro de "Elige tu propia aventura").
Los autores utilizaron un "árbol de supervivencia" para dividir a los pacientes en ramas basadas en su edad.
El Hallazgo: El árbol mostró que para los pacientes menores de cierta edad, el fármaco experimental era el claro ganador. Para los pacientes mayores, el tratamiento estándar era en realidad mejor. Esto resalta cómo el marco puede ayudar a alejarse de la medicina de "talla única".

Resumen

El artículo es esencialmente un tutorial que dice: "Deja de hacer malabares con diez paquetes de software diferentes que hablan lenguajes distintos. Usa este marco unificado (tram) que puede estirarse, retorcerse y adaptarse para ajustarse a cualquier problema de datos de supervivencia que tengas, desde curvas simples hasta escenarios complejos y desordenados del mundo real".

Demuestran que, al usar este sistema único y flexible, los investigadores pueden obtener respuestas más precisas, manejar tipos de datos difíciles (como ventanas de tiempo difusas) y descubrir conocimientos personalizados (como efectos de tratamiento específicos por edad) que los métodos antiguos y rígidos podrían pasar por alto.

Resumen Técnico: Modelos de Transformación Suave para el Análisis de Supervivencia

Planteamiento del Problema
Durante las últimas cinco décadas, el análisis de supervivencia ha avanzado significativamente a través de métodos paramétricos, semiparamétricos y no paramétricos. Sin embargo, el panorama metodológico se ha vuelto cada vez más fragmentado. Los investigadores enfrentan desafíos sustanciales al navegar por diversas implementaciones de software, particularmente cuando se trata de escenarios complejos como datos con censura por intervalo o truncamiento, riesgos no proporcionales o cruzados, censura dependiente y observaciones agrupadas (clustered). Un problema crítico es la falta de un marco unificado; los diferentes paquetes suelen emplear distintas parametrizaciones, estrategias de estimación y procedimientos de optimización, lo que dificulta la comparación de modelos o la transición entre ellos. Además, el software estándar suele carecer de la flexibilidad necesaria para manejar estas estructuras de datos complejas simultáneamente, como lo evidencia las limitaciones enfrentadas en el análisis del ensayo de cáncer de recto CAO/ARO/AIO-04, donde el ajuste de modelos de efectos mixtos con riesgos basales flexibles para resultados con censura por intervalo era previamente inviable.

Metodología
Este tutorial introduce un marco unificado de máxima verosimilitud basado en modelos de transformación suave implementados en el sistema R a través del paquete tram y complementos relacionados (tramME, trtf, mlt). La metodología central se basa en modelar la función de supervivencia $S(t)$ mediante una función de transformación $h(t)$ , que mapea el tiempo a una escala latente.

Los componentes metodológicos clave incluyen:

Parametrización: La función de riesgo acumulado, $h(t)$ , se modela utilizando funciones de base de splines suaves, específicamente polinomios en forma de Bernstein. Esto permite una formulación totalmente paramétrica de modelos que son tradicionalmente semiparamétricos (por ejemplo, el modelo de Cox), permitiendo una inferencia de máxima verosimilitud directa incluso con datos con censura por intervalo.
Marco Unificado: El marco acomoda una amplia gama de modelos de supervivencia bajo una única infraestructura:
- Modelos Estándar: Riesgos proporcionales de Weibull y modelos de Cox totalmente paramétricos.
- Modelos Estratificados: Permitiendo riesgos basales específicos por estrato mientras se mantiene un efecto de tratamiento global.
- Riesgos No Proporcionales: Extensiones que estiman términos de escala o efectos de tratamiento variantes en el tiempo ( $\beta(t)$ ), relajando el supuesto de riesgos proporcionales.
- Censura Dependiente: Implementación de modelos de riesgos por cópula (usando cópulas gaussianas) para modelar la dependencia entre los tiempos de evento y los tiempos de censura.
- Observaciones Agrupadas: Modelos de efectos mixtos (vía tramME) que incorporan efectos aleatorios para la dependencia específica del grupo, y modelos marginales que proporcionan razones de riesgo marginales.
- Medicina Personalizada: Modelos que presentan efectos de tratamiento que varían con la edad, estimados mediante funciones suaves o árboles de supervivencia (vía trtf).
Construcción de la Verosimilitud: El enfoque maneja observaciones exactas, censuradas por la derecha, censuradas por la izquierda e intervalos de censura derivando las contribuciones de log-verosimilitud directamente de la función de transformación y sus derivadas.

Contribuciones Clave
El artículo demuestra la aplicación práctica de este marco utilizando datos del ensayo controlado aleatorizado de dos brazos sobre terapia de cáncer de recto CAO/ARO/AIO-04. El tutorial proporciona:

Implementación Fluida: Una guía para ajustar modelos complejos (por ejemplo, modelos de Cox de efectos mixtos con datos con censura por intervalo) que anteriormente eran difíciles o imposibles de estimar en R.
Análisis Comparativo: Comparaciones directas de interfaces de usuario y resultados numéricos entre las implementaciones de tram/tramME y otros 13 paquetes establecidos de CRAN. Este esfuerzo de validación identificó casos especiales problemáticos y discrepancias entre las implementaciones de software de un mismo modelo.
Ejemplos Prácticos: Código de R detallado e interpretaciones para:
- Ajustar modelos de riesgos proporcionales flexibles con riesgos basales no lineales.
- Estimar riesgos no proporcionales y efectos de tratamiento variantes en el tiempo.
- Modelar la censura dependiente utilizando modelos de cópula.
- Analizar datos agrupados con modelos de efectos mixtos y modelos marginales.
- Explorar la heterogeneidad de los efectos de tratamiento mediante riesgos que varían con la edad y árboles de supervivencia.
Extensiones: Demostraciones de cómo el marco soporta modelos de fragilidad (frailty), verosimilitudes no paramétricas, funciones de enlace alternativas (por ejemplo, logit para proporciones de probabilidad), ajuste de covariables y simulación para la estimación del tamaño de la muestra.

Resultos
La aplicación del marco a los datos del ensayo CAO/ARO/AIO-04 arrojó las siguientes conclusiones:

Efecto del Tratamiento: El tratamiento experimental (5-FU + Oxaliplatino) redujo significativamente el riesgo de supervivencia libre de enfermedad en comparación con el control (solo 5-FU), con una razón de riesgo de aproximadamente 0.79.
No Proporcionalidad: Los modelos que permiten riesgos no proporcionales revelaron que el efecto del tratamiento fue más fuerte inicialmente y disminuyó con el tiempo, un matiz que no es capturado por los modelos de riesgos proporcionales estándar.
Censura Dependiente: El análisis de la supervivencia global con censura dependiente no mostró evidencia de dependencia entre la pérdida de seguimiento y los tiempos de supervivencia (parámetro de dependencia $\xi \approx 0$ ).
Heterogeneidad: Los modelos que varían con la edad sugirieron que el tratamiento experimental fue más efectivo para pacientes de entre 40 y 70 años, mientras que el tratamiento de control pareció ser más efectivo para pacientes de mayor edad, aunque los intervalos de confianza fueron amplios. Los árboles de supervivencia confirmaron una división en aproximadamente 77.6 años.
Consistencia: Los resultados de los modelos de transformación suave fueron consistentes con análisis previos (por ejemplo, Rödel et al., 2015; Hofheinz et al., 2018), pero proporcionaron una mayor flexibilidad y manejo de la censura por intervalo que no estaba disponible anteriormente.

Significancia
El artículo sostiene que el marco de modelos de transformación suave proporciona un conjunto de herramientas unificado que resuelve la fragmentación en el software de análisis de supervivencia. Al ofrecer una infraestructura común de parametrización, estimación y optimización, facilita las transiciones fluidas entre diferentes complejidades de modelos. Los autores enfatizan que este marco permite a los investigadores abordar limitaciones prácticamente relevantes —como el manejo simultáneo de la censura por intervalo y el agrupamiento— que históricamente han obstaculizado el análisis riguroso en ensayos clínicos. El tutorial sirve no solo como una guía de implementación, sino también como un mecanismo de validación, aumentando la confianza en los resultados numéricos reportados al permitir comparaciones entre paquetes. En última instancia, el marco empodera a los investigadores para navegar tareas complejas de análisis de supervivencia en R sin la necesidad de cambiar entre distintos paquetes de software.