Resumen Técnico: Dejar de Perseguir el Índice C al Evaluar Modelos de Análisis de Supervivencia

Declaración del Problema

El estado actual de la evaluación en el análisis de supervivencia se caracteriza por una desalineación sistemática entre los objetivos de modelado, las métricas de evaluación y los supuestos subyacentes respecto a la censura. A pesar de que la característica definitoria de los datos de supervivencia es la censura (donde los tiempos de evento solo se observan parcialmente), una parte sustancial de la literatura reciente se basa en prácticas de evaluación que ignoran estas características estructurales.

Los autores identifican dos fallos principales en la práctica actual:

1. Desajuste Objetivo-Métrica: Los investigadores utilizan frecuentemente métricas basadas en la discriminación, particularmente el índice C, para evaluar modelos incluso cuando el objetivo declarado es la estimación precisa del tiempo hasta el evento o la calibración probabilística. El índice C mide la capacidad de clasificación, pero no evalúa la precisión numérica de los tiempos predichos ni la calibración de las probabilidades de supervivencia.
2. Supuestos de Censura Injustificados: Muchas evaluaciones proceden como si la censura fuera "aleatoria" (independiente del proceso de evento), un supuesto que rara vez se enuncia, justifica o corrige empíricamente. En realidad, la censura puede ser independiente (condicional a las covariables) o dependiente (relacionada con el proceso de evento incluso después de condicionar). Utilizar métricas que asumen censura aleatoria en datos con censura dependiente conduce a estimaciones de rendimiento sesgadas y comparaciones de modelos engañosas.

Una encuesta de 92 artículos de análisis de supervivencia publicados entre 2023 y 2025 reveló que aproximadamente el 72% de los estudios utilizaron métricas de evaluación que no se alineaban con sus objetivos declarados o no tuvieron en cuenta los supuestos de censura, lo que llevó a afirmaciones de rendimiento potencialmente exageradas.

Metodología y Marco

El artículo propone un marco estructurado para evaluar modelos de supervivencia, centrado en la Hipótesis de la Escalera de la Consistencia Modelo-Métrica. Esta hipótesis postula que un modelo y su métrica de evaluación deben estar en el mismo "peldaño" de la escalera de supuestos. Si un modelo se basa en supuestos específicos de censura (por ejemplo, censura dependiente), la métrica de evaluación también debe ser válida bajo esos mismos supuestos.

Componentes Conceptuales Clave

1. Supuestos de Censura: Los autores formalizan tres supuestos distintos respecto a la relación entre el tiempo de evento ($E$) y el tiempo de censura ($C$):

   • Censura Aleatoria: $E \perp\!\!\!\perp C$. La censura no está relacionada con el proceso de evento.
   • Censura Independiente: $E \perp\!\!\!\perp C \mid X$. La censura depende de las covariables pero es condicionalmente independiente del tiempo de evento.
   • Censura Dependiente: $E \not\perp\!\!\!\perp C \mid X$. La censura sigue relacionada con el proceso de evento incluso después de condicionar a las covariables observadas.

2. Cinco Requisitos para las Métricas: Para guiar la selección de métricas, los autores proponen cinco criterios:

   • D1 (Regla de Puntuación Propia): La métrica debe minimizarse/maximizarse solo cuando las predicciones coinciden con la distribución real.
   • D2 (Interpretabilidad): Los valores deben estar en unidades relevantes para el dominio (por ejemplo, días, probabilidades).
   • D3 (Agnóstico al Modelo): La métrica no debe depender de los internos del modelo ni de elecciones específicas de parámetros.
   • D4 (Sensibilidad a la Malcalibración): La métrica debe detectar la sobre/subestimación sistemática de probabilidades.
   • D5 (Robustez ante la Censura): La métrica debe manejar la censura de manera consistente con el mecanismo de generación de los datos.

3. La Escalera de Doble Hélice: Los autores visualizan una brecha entre el desarrollo de modelos y el desarrollo de métricas. Mientras que los modelos han avanzado para manejar la censura dependiente (por ejemplo, mediante cópulas), las métricas de evaluación se han estancado en gran medida, permaneciendo válidas solo bajo supuestos de censura aleatoria o independiente. Esto crea una escalera "retorcida" donde los modelos avanzados a menudo se evalúan con métricas obsoletas y desajustadas.

Resultados Experimentales

Los autores realizaron experimentos controlados utilizando datos sintéticos para demostrar las consecuencias del desajuste modelo-métrica.

• Configuración: Se entrenó un modelo de Riesgos Proporcionales de Cox (CoxPH) sobre datos con un proceso de generación de eventos fijo. El mecanismo de censura se varió en tres escenarios: Aleatorio, Independiente y Dependiente (inducido mediante una cópula de Clayton con un $\tau$ de Kendall creciente).
• Hallazgos:
  • Sesgo en Métricas Estándar: A medida que la censura se desviaba del supuesto aleatorio, las métricas estándar como el índice C de Harrell y la Puntuación Brier Integrada (IBS) se volvieron cada vez más sesgadas.
  • Conclusiones Engañosas: En escenarios con censura dependiente, las métricas estándar a menudo sugerían una mejora o estabilidad del modelo, incluso cuando el rendimiento "oráculo" (calculado utilizando los tiempos de evento reales) se estaba degradando.
  • Fallo de la Métrica: Las métricas que dependen de la ponderación inversa de la probabilidad de censura marginal (IPCW) (por ejemplo, el índice C de Uno) no lograron corregir el sesgo cuando la censura era dependiente, ya que asumen independencia dadas las covariables o censura aleatoria.

Los resultados confirman que utilizar una métrica diseñada para un supuesto más débil (por ejemplo, censura aleatoria) para evaluar un modelo o conjunto de datos con un supuesto más fuerte (por ejemplo, censura dependiente) produce estimaciones de rendimiento poco fiables.

Contribuciones Clave

1. Revisión Crítica de Prácticas: El artículo proporciona evidencia empírica de que el campo está plagado por el uso excesivo del índice C y la negligencia de los supuestos de censura, con aproximadamente el 72% de los artículos recientes mostrando desalineación.
2. La Hipótesis de la Escalera: Introduce un principio rector que exige una alineación explícita entre los supuestos estadísticos del modelo, los datos y la métrica de evaluación.
3. Directrices de Evaluación: Los autores proporcionan un flujo de trabajo práctico (visualizado en una lista de verificación) para que los investigadores seleccionen métricas apropiadas basándose en:
   • El objetivo de predicción (por ejemplo, clasificación de riesgo vs. tiempo hasta el evento).
   • El aspecto de evaluación (discriminación, error, calibración).
   • El supuesto de censura (aleatorio, independiente o dependiente).
4. Identificación de Brechas: El artículo destaca que, aunque existen métodos para modelar la censura dependiente, actualmente faltan métricas de evaluación ampliamente aceptadas y no sesgadas para tales configuraciones.

Significado y Afirmaciones

Los autores argumentan que el uso generalizado de métricas desajustadas conduce a comparaciones de modelos engañosas y evita que la comunidad reconozca con precisión los avances metodológicos. No afirman haber resuelto el problema de evaluar la censura dependiente, sino que piden una "recalibración" del campo.

El significado principal del artículo radica en su llamado a la acción: los investigadores deben declarar explícitamente sus supuestos de censura y elegir métricas que sean válidas bajo esos supuestos. Hasta que se desarrollen y validen métricas robustas y alineadas con los supuestos para la censura dependiente, las afirmaciones de rendimiento para los modelos más avanzados en tales configuraciones deben considerarse especulativas. Los autores abogan por que una evaluación rigurosa y consciente de los supuestos es la próxima frontera necesaria para el progreso en el análisis de supervivencia.