Resumen Técnico: Aprendizaje Adaptativo y Eficiente con Datos con Faltantes por Bloques y Semi-supervisados

1. Planteamiento del Problema

El artículo aborda los desafíos de la fusión de datos en presencia de tres complicaciones simultáneas:

1. Faltantes por Bloques (BM - Blockwise Missingness): Las covariables se pierden en bloques a través de diferentes fuentes de datos porque las variables se recolectan o definen de manera distinta. Esto resulta en patrones de faltantes no monotónicos donde subconjuntos específicos de covariables se observan en algunas fuentes pero faltan en otras.
2. Entorno Semi-supervisado (SS): La variable de resultado $Y$ es costosa de obtener (por ejemplo, requiere revisión clínica manual), lo que deja la mayoría de las muestras en la población objetivo sin etiquetar, mientras que se dispone de un gran conjunto de datos no etiquetados con covariables totalmente observadas.
3. Desplazamientos Distribucionales: Las fuentes de datos suelen presentar heterogeneidad debido a variaciones en los estándares de medición o criterios de reclutamiento. Los supuestos estándar como el de Faltante Completamente al Azar (MCAR) suelen ser poco realistas; en su lugar, la ausencia de datos puede depender de las variables observadas, y las distribuciones entre fuentes pueden diferir.

El objetivo es estimar de forma robusta y eficiente los parámetros de un Modelo Lineal Generalizado (GLM) para una población objetivo (Unlabeled Complete, UC) mediante la fusión de:

• LC (Labeled Complete): Muestra pequeña con covariables y resultados totalmente observados.
• LM (Labeled Missing): Múltiples fuentes con resultados pero con covariables faltantes por bloques.
• UC (Unlabeled Complete): Muestra grande con covariables totalmente observadas pero sin resultados.

Un desafío crítico es el desalineamiento de fuentes: si la distribución condicional de los resultados dada las covariables difiere entre una fuente etiquetada y la población objetivo (violando la transportabilidad), la fusión ingenua introduce sesgo.

2. Metodología: DEFUSE

Los autores proponen DEFUSE (Enfoque de Estimación Adaptativo a los Datos para la Fusión de Datos en el Entorno Semi-supervisado), el cual opera bajo un supuesto de Alineación Condicional bajo Faltantes (CAM).

2.1 Supuesto Central (CAM)

El método asume que, condicional a un subconjunto de variables preespecificado $Z_r$ (que puede incluir resultados y covariables observadas), las distribuciones de datos de las fuentes etiquetadas con faltantes ($LM_r$) y la población objetivo ($UC$) están alineadas:
$$P_{LM_r}(Y, X | Z_r) = P_{UC}(Y, X | Z_r)$$
Esto relaja el estricto supuesto de MCAR, permitiendo que la ausencia de datos dependa de los datos observados, siempre que se cumpla la alineación condicional.

2.2 Procedimiento de Estimación de Dos Etapas

Etapa 1: Estimación Preliminar (Operador DML)
Se deriva un estimador preliminar $\hat{\gamma}$ utilizando únicamente las muestras LC y UC. Para manejar los desplazamientos distribucionales entre LC y UC sin depender de una estimación inestable de la razón de densidad, los autores emplean un operador de Aprendizaje de Máquina Doble/Desesgado (DML):
$$M_{LC}(D) = h_{LC}(X)(D - E_{LC}[D|X]) + E_{UC}(E_{LC}[D|X])$$
donde $h_{LC}(X)$ es la razón de densidad. Este operador corrige el sesgo manteniendo la consistencia $n^{1/2}$ incluso si los modelos de perturbación (razones de densidad y medias condicionales) convergen a tasas más lentas ($o_P(n^{-1/4})$).

Etapa 2: Enfoque de Variable de Control Adaptativa a los Datos
Para incorporar las muestras $LM_r$ y reducir la varianza, DEFUSE utiliza una estrategia de variable de control:
$$\hat{\beta}(\phi) = c^\top \hat{\gamma} + \sum_{r=1}^R \left( \hat{E}_{LM_r}[\hat{M}_{LM_r}(\phi_r)] - \hat{E}_{LC}[\hat{M}_r(\phi_r)] \right)$$

• Operadores: $\hat{M}_r$ y $\hat{M}_{LM_r}$ se construyen siguiendo los principios de DML para ajustar los desplazamientos distribucionales entre fuentes.
• Funciones de Control ($\phi_r$): Estas son funciones adaptativas a los datos de las variables observadas en $LM_r$. El método busca minimizar la varianza asintótica empírica $Q(\phi)$ con respecto a $\phi$.
• Estrategia de Refinamiento: En lugar de optimizar directamente funciones no paramétricas complejas, DEFUSE refina un predictor "ancla" (por ejemplo, un modelo de IA que predice la función de puntuación) utilizando una función de reponderación $w_r(W_r; \delta_r)$. Esto conduce a un problema de programación cuadrática de dimensión finita, lo que hace que el método sea computacionalmente tratable. Los autores proponen tres ejemplos para $w_r$: coeficientes constantes, funciones lineales y Regresión de Núcleo Ridge (KRR).

2.3 Cribado para Fuentes Desalineadas

Reconociendo que algunas fuentes pueden violar el supuesto CAM, los autores desarrollan un procedimiento de cribado para excluir dichas fuentes antes de la fusión.

• Métrica: Proponen una medida de Discrepancia de la Media Cuadrática (MSD), $\bar{\Delta}_r^2$, que cuantifica la desviación de una fuente respecto a la alineación del objetivo.
• Desesgado: Para evitar el sesgo derivado de la estimación de medias condicionales, utilizan un estimador desesgado basado en una maximización sobre un espacio de funciones $G$.
• Selección: Las fuentes cuyo $\hat{\Delta}_r$ excede un umbral son excluidas. Teóricamente, se demuestra que esta medida MSD es más aguda y sensible a la desalineación que los análisis de sensibilidad de diferencia de medias estándar.

3. Contribuciones Clave

1. Marco Novedoso: DEFUSE es el primer método que maneja sistemáticamente la tríada de faltantes por bloques, aprendizaje semi-supervisado y desplazamientos distribucionales bajo un supuesto de alineación condicional.
2. Eficiencia Adaptativa a los Datos: El método introduce un nuevo enfoque de variable de control adaptativa a los datos. Logra una eficiencia intrínseca (óptima dentro de una clase específica de funciones de control) y puede alcanzar el límite de eficiencia semiparamétrica si la clase de funciones de control es suficientemente rica (por ejemplo, mediante KRR).
3. Robustez ante la Desalineación: El procedimiento de cribado propuesto identifica y excluye eficazmente las fuentes desalineadas, evitando la propagación del sesgo, lo cual es una limitación en muchos métodos de fusión que asumen una transportabilidad perfecta.
4. Viabilidad Computacional: Al reducir la optimización de las funciones de control a una programación cuadrática, el método permite incorporar características auxiliares de alta dimensión y modelos de aprendizaje automático de caja negra manteniendo la eficiencia computacional.
5. Garantías Teóricas: El artículo establece la normalidad asintótica, la consistencia y los límites de eficiencia semiparamétrica para el estimador propuesto bajo condiciones de regularidad.

4. Resultados

Estudios de Simulación

• Eficiencia: DEFUSE supera consistentemente a los métodos existentes (incluyendo la Imputación Múltiple, la fusión basada en GMM y el reponderaje de muestras) en términos de Eficiencia Relativa (RE). En diversos entornos (lineales/no lineales, resultados binarios/continuos), DEFUSE con reponderación KRR (Ejemplo 3) logró una eficiencia hasta un 25-80% mayor que los referentes.
• Robustez: Bajo desplazamientos distribucionales y no linealidad, DEFUSE mantuvo relaciones sesgo-error estándar bajas, mientras que los competidores (como SC-PW y MBI) exhibieron un aumento en el sesgo.
• Desempeño del Cribado: En entornos con fuentes desalineadas, el método de cribado basado en MSD logró puntuaciones F1 y sensibilidad casi perfectas para identificar fuentes desalineadas, superando significativamente a las estrategias basadas en la diferencia de medias.

Aplicaciones en el Mundo Real

• Riesgo de Alzheimer (Datos NACC): Aplicado para construir un modelo pronóstico utilizando datos de múltiples centros. El método de cribado excluyó 3 de 8 centros debido a la desalineación. DEFUSE con reponderación KRR mostró una eficiencia relativa de 2.76x para la covariable de alcohol en comparación con el estimador preliminar.
• Riesgo de Enfermedad Cardíaca (Datos MIMIC-III): Aplicado para modelar el riesgo de enfermedad cardíaca con biomarcadores faltantes por bloques. DEFUSE demostró ganancias sustanciales de eficiencia (hasta 3.65x para la edad y 5.72x para la diabetes en múltiples escenarios de BM) en comparación con los estimadores preliminares y los métodos de fusión existentes.

5. Significado y Reivindicaciones

El artículo sostiene que DEFUSE ofrece una solución práctica y poderosa para los problemas modernos de fusión de datos donde las estructuras de datos son complejas y heterogéneas.

• Optimidad Teórica: Cierra la brecha entre la eficiencia semiparamétrica teórica y la implementación práctica, proporcionando un mecanismo para acercarse a los límites de eficiencia incluso cuando no hay disponibles estimadores clásicos de forma cerrada.
• Protección de la Validez: Al abordar explícitamente la desalineación de las fuentes mediante un procedimiento de cribado sensible, el método protege contra el sesgo que afecta la fusión de conjuntos de datos no alineados.
• Flexibilidad: El marco es lo suficientemente flexible como para incorporar características auxiliares de alta dimensión (por ejemplo, provenientes de registros médicos electrónicos) y modelos potentes de aprendizaje automático sin sacrificar la viabilidad computacional.

Los autores señalan que, aunque el método requiere actualmente una muestra completa etiquetada (LC), el trabajo futuro podría generalizar el enfoque a entornos donde solo se dispone de datos no etiquetados y parcialmente etiquetados, siempre que la unión de las covariables observadas cubra los predictores objetivo.