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

Resumen Técnico: Super Learner para Resultados de Tiempo hasta el Evento

1. El Problema

La estimación de riesgos o probabilidades de supervivencia condicionales a características individuales utilizando datos de tiempo hasta el evento (censurados) es una tarea fundamental en estadística médica y causalidad. El desafío principal radica en la incertidumbre a priori sobre qué modelo (paramétrico, semiparamétrico o de aprendizaje automático) proporcionará el mejor ajuste y rendimiento predictivo.

• Los analistas suelen enfrentar la tarea de elegir entre una suite de modelos (ej. Cox, Weibull, Bosques Aleatorios de Supervivencia) de manera ad hoc.
• La censura en los datos de tiempo hasta el evento complica la evaluación de la pérdida (loss function).
• La literatura existente sobre "Super Learners" (SL) para estos datos es altamente técnica, fragmentada y carece de una guía accesible sobre su implementación práctica, especialmente para datos de tiempo continuo.

2. Metodología

El artículo presenta una tutorial sobre el Super Learner (SL), un algoritmo de "apilamiento" (stacking) que busca la mejor combinación de modelos candidatos (un "ensemble") o selecciona el mejor modelo individual, garantizando un rendimiento asintótico al menos tan bueno como el mejor modelo de la biblioteca (propiedad oracle).

Se describen tres implementaciones específicas para resultados de tiempo hasta el evento:

A. Super Learner de Tiempo Discreto (Polley y van der Laan, 2011)

• Concepto: Discretiza el tiempo de seguimiento en intervalos (ej. días, meses), transformando el problema en una serie de predicciones binarias (evento vs. sin evento en cada intervalo).
• Procedimiento:
  1. Se divide el tiempo en periodos discretos, creando un conjunto de datos de "formato de proceso de conteo" (múltiples filas por individuo).
  2. Se ajustan modelos para la hazard discreta condicional $Q(t|X)$ usando validación cruzada.
  3. Funciones de Pérdida: Se discuten tres opciones:
     • Error cuadrático en la hazard ($L_{L2}$).
     • Log-verosimilitud ($L_{loglik}$).
     • Ponderación por probabilidad inversa de censura (IPCW) basada en la probabilidad de supervivencia ($L_{IPCW}$).
• Limitación: La discretización puede ser computacionalmente costosa y la modelización flexible de la hazard base es difícil.

B. Super Learner de Tiempo Continuo: Westling et al. (2023)

• Concepto: Opera directamente en tiempo continuo sin discretización, utilizando una cuadrícula de tiempo fina para aproximar integrales.
• Enfoque: Estima la distribución de supervivencia condicional $S(t|X)$ y la distribución de censura $G(t|X)$.
• Algoritmo Iterativo: Propone un enfoque iterativo donde se ajustan SLs tanto para la supervivencia como para la censura simultáneamente, minimizando una función de pérdida integrada (Brier score ponderado).
• Ventaja: Permite el uso de modelos continuos (Cox, Bosques Aleatorios) y estima la censura de manera flexible.

C. Super Learner de Supervivencia Conjunta: Munch y Gerds (2025)

• Concepto: Un enfoque de "no-ensemble" (selecciona un solo modelo) basado en probabilidades de ocupación de estados.
• Estados: Define tres estados: sin evento/censurado, evento observado, y censurado.
• Función de Pérdida: Utiliza un puntaje Brier integrado sobre los tres estados posibles.
• Ventaja: Es robusto y se extiende naturalmente a escenarios con eventos competitivos. No requiere un paso de ensamblaje de regresión, seleccionando simplemente el par de modelos (hazard del evento y censura) con la menor pérdida cruzada.

Implementación en R:
El artículo detalla el uso de paquetes como SuperLearner (para tiempo discreto), survSuperLearner (Westling et al.) y jossl (Munch y Gerds), proporcionando código para reproducir los análisis.

3. Contribuciones Clave

1. Tutorial Accesible: Sintetiza métodos técnicos dispersos en una guía práctica y unificada para la implementación de SL en datos censurados.
2. Comparación de Enfoques: Clarifica las diferencias entre las versiones de tiempo discreto y continuo, analizando sus ventajas (flexibilidad vs. facilidad de uso) y desventajas (discretización vs. complejidad computacional).
3. Código Reproducible: Proporciona código R completo, incluyendo implementaciones "a mano" (sin paquetes) para ilustrar los pasos matemáticos subyacentes, facilitando la comprensión y adaptación de los métodos.
4. Guía de Funciones de Pérdida: Explica detalladamente cómo manejar la censura en las funciones de pérdida (IPCW, Brier score integrado) para cada variante del SL.

4. Resultados (Aplicación al Conjunto de Datos "Rotterdam")

El estudio aplicó los tres métodos a datos de cáncer de mama (conjunto de datos Rotterdam) para predecir la supervivencia a 10 años, comparando un conjunto simple y uno rico de modelos candidatos.

• Rendimiento Individual: El Bosque Aleatorio de Supervivencia (Random Survival Forest) fue el modelo individual con mejor rendimiento (menor puntaje Brier, mayor C-índice).
• Tiempo Discreto vs. Continuo:
  • Los SLs de tiempo continuo superaron a los de tiempo discreto en el rendimiento global (puntaje Brier).
  • La discretización en 100 periodos mostró un rendimiento peor que en 10 periodos, sugiriendo problemas en la modelización de la hazard base con intervalos muy finos.
• Ensemble vs. No-Ensemble:
  • El SL de tiempo continuo de Westling et al. (ensemble) y el de Munch y Gerds (no-ensemble) tuvieron un rendimiento casi idéntico.
  • El SL de Munch y Gerds seleccionó automáticamente el Bosque Aleatorio como el mejor modelo, replicando su rendimiento individual.
• Conjunto de Modelos: Utilizar un conjunto más rico de candidatos (GAMs, XGBoost, etc.) mejoró ligeramente el rendimiento, aunque los ganancia fueron modestas en este ejemplo específico.
• Conclusiones Prácticas: Los métodos de tiempo continuo son preferibles por evitar la discretización arbitraria, pero requieren más recursos computacionales y modelos candidatos específicos para tiempo continuo.

5. Significancia

Este trabajo es fundamental para la comunidad estadística y de ciencia de datos médica por varias razones:

• Puente Teórico-Práctico: Conecta la teoría avanzada del aprendizaje automático (propiedad oracle, stacking) con problemas reales de supervivencia y censura.
• Herramienta para Inferencia Causal: Destaca que el SL no es solo para predicción, sino un componente crucial en procedimientos de inferencia causal (como la estimación de máxima verosimilitud dirigida - TMLE) para estimar distribuciones de supervivencia y censura sin sesgo.
• Flexibilidad: Demuestra cómo combinar modelos paramétricos tradicionales con algoritmos de aprendizaje automático modernos en un marco unificado que garantiza robustez teórica.
• Estándar de Referencia: Establece un marco comparativo claro entre las diferentes implementaciones de SL para supervivencia, ayudando a los investigadores a elegir la estrategia adecuada según la naturaleza de sus datos (discretos vs. continuos, presencia de eventos competitivos).

En resumen, el artículo proporciona la guía definitiva actual para implementar Super Learners en análisis de supervivencia, facilitando la adopción de métodos de vanguardia que maximizan la precisión predictiva y la robustez en la presencia de censura.