Resumen Técnico: Evaluación de la Robustez de los Efectos del Tratamiento Heterogéneos en el Análisis de Supervivencia bajo Censura Informativa

1. Planteamiento del Problema

En los estudios clínicos, particularmente en oncología, la deserción de pacientes es prevalente, con tasas que alcanzan hasta el 53% en ciertos tipos de cáncer. Cuando la deserción es informativa—es decir, el tiempo de censura $C$ depende del tiempo de supervivencia no observado $T$—introduce un sesgo de censura sistemático. Los métodos estándar de análisis de supervivencia (por ejemplo, Kaplan-Meier, modelos de Cox) y los estimadores existentes de efectos del tratamiento heterogéneos (HTE) suelen basarse en la suposición de censura no informativa ($T \perp C \mid X, A$). Cuando esta suposición se viola, la estimación puntual no sesgada del Efecto Promedio Condicional del Tratamiento (CATE) se vuelve imposible, ya que el tiempo de supervivencia esperado para los pacientes censurados no puede identificarse únicamente a partir de los datos observados.

La literatura actual carece de herramientas prácticas para evaluar la robustez de las estimaciones del CATE cuando está presente la censura informativa. Los métodos existentes para la identificación parcial en el análisis de supervivencia se centran en acotar las funciones de supervivencia en lugar de los efectos causales, mientras que los métodos de inferencia causal para la censura informativa generalmente se dirigen al Efecto Promedio del Tratamiento (ATE) en lugar del CATE.

2. Metodología

El artículo propone un marco de pocas suposiciones que desplaza el objetivo desde la estimación puntual hacia la identificación parcial. En lugar de estimar un único valor del CATE, el marco construye límites inferiores y superiores informativos sobre el CATE, teniendo en cuenta explícitamente el sesgo de censura.

2.1 Identificación Parcial del CATE

Los autores derivan límites para el CATE, $\tau_{a_1, a_2}(x) = E[T(a_1) - T(a_2) \mid X=x]$, acotando primero el Resultado Potencial Promedio Condicional (CAPO), $\mu(x, a) = E[T(a) \mid X=x]$.

• Límite Inferior ($\mu^-$): Se deriva asumiendo que los pacientes censurados experimentan el evento inmediatamente después de su tiempo de censura (escenario de peor caso). Esto produce un límite inferior basado en los datos observados:
  $$\mu^-(x, a) = E[\tilde{T} \mid X=x, A=a]$$
  donde $\tilde{T} = \min(T, C)$.

• Límite Superior ($\mu^+$): Se deriva utilizando una función de sensibilidad $\gamma(x, a)$, que representa el tiempo de supervivencia restante esperado máximo después de la deserción. El límite superior incorpora conocimiento del dominio (por ejemplo, referencias clínicas para la supervivencia post-deserción) o un máximo teórico conservador ($t_{max}$):
  $$\mu^+(x, a) = \nu(0, x, a)[1 - \xi(x, a)] + \nu(1, x, a)\xi(x, a) + \gamma(x, a)\xi(x, a)$$
  Aquí, $\xi(x, a)$ es la fuerza de censura (probabilidad de ser censurado) y $\nu(\delta, x, a)$ son los tiempos de supervivencia condicionales esperados.

• Límites del CATE: Los límites del CATE se construyen combinando los límites del CAPO:
  $$\tau^-_{a_1, a_2}(x) = \mu^-(x, a_1) - \mu^+(x, a_2) \leq \tau_{a_1, a_2}(x) \leq \mu^+(x, a_1) - \mu^-(x, a_2) = \tau^+_{a_1, a_2}(x)$$

La amplitud de estos límites está determinada por la fuerza de censura $\xi(x, a)$ y la función de sensibilidad $\gamma(x, a)$. Los límites se vuelven informativos (estrechos) cuando la censura es baja o cuando un conocimiento del dominio sólido restringe $\gamma(x, a)$.

2.2 SurvB-learner: Un Meta-Aprendiz Agnóstico al Modelo

Para estimar estos límites de manera eficiente y sin sesgo de inserción, los autores introducen SurvB-learner, un meta-aprendiz de dos etapas compatible con modelos de aprendizaje automático arbitrarios (por ejemplo, bosques aleatorios, redes neuronales).

• Etapa 1 (Estimación de Variables de Confusión): Utiliza cross-fitting para estimar funciones de variables de confusión: puntuaciones de propensión $\hat{\pi}_a(x)$, fuerzas de censura $\hat{\xi}(x, a)$ y tiempos de supervivencia condicionales $\hat{\nu}(\delta, x, a)$.
• Etapa 2 (Regresión de Resultados Pseudo): Construye resultados pseudo $\hat{\phi}^\pm(x, a)$ basados en las funciones de influencia eficientes de los límites. Estos resultados pseudo se regresan sobre las covariables $X$ para estimar los límites finales $\hat{\mu}^\pm(x, a)$.

2.3 Propiedades Teóricas

Se ha demostrado que el SurvB-learner posee:

1. Consistencia: Convergencia a los límites reales a medida que aumenta el tamaño de la muestra.
2. Doble Robustez: El estimador permanece consistente si se especifica correctamente el modelo de puntuación de propensión O si se especifica correctamente la combinación de los modelos de supervivencia y censura.
3. Eficiencia Cuasi-Oráculo: Logra la misma tasa de convergencia asintótica que un estimador oráculo que conoce las funciones de variables de confusión reales, siempre que los estimadores de variables de confusión converjan a tasas suficientes.

El marco también se extiende a tratamientos continuos (utilizando suavizado por kernel) y datos observacionales con confusión oculta (utilizando Modelos de Sensibilidad Marginal Generalizados).

3. Contribuciones Clave

1. Marco de Pocas Suposiciones: Un enfoque novedoso para auditar el sesgo de censura en las estimaciones del CATE, reemplazando la suposición de censura no informativa con funciones de sensibilidad para formar límites informativos.
2. SurvB-learner: Un meta-aprendiz agnóstico al modelo diseñado para estimar estos límites de manera eficiente, corrigiendo el sesgo de inserción y ofreciendo doble robustez.
3. Garantías Teóricas: Pruebas formales de consistencia, doble robustez y eficiencia cuasi-oráculo para el estimador propuesto.
4. Validación Empírica: Demostración de la efectividad utilizando datos sintéticos (mostrando un rendimiento superior frente a los aprendices de inserción ingenuos) y un ensayo clínico del mundo real (conjunto de datos ADJUVANT).

4. Resultados Experimentales

• Datos Sintéticos: Los experimentos en diversas formas funcionales (Exponencial, Seno, Seno-Logístico) y fuerzas de censura (0.2, 0.4, 0.6) muestran que el SurvB-learner supera significativamente al aprendiz de inserción ingenuo. El SurvB-learner logra un Error Cuadrático Medio (RMSE) más bajo frente a los límites oráculo y una varianza menor. Se demuestra que el aprendiz de inserción es inestable y a menudo produce límites demasiado estrechos (poco fieles).
• Datos del Mundo Real (Ensayo ADJUVANT): Aplicado a un ensayo de cáncer de pulmón de células no pequeñas (NSCLC) con altas tasas de censura (37% para DFS, 63% para OS). El marco identificó con éxito subgrupos de pacientes (por ejemplo, co-alteraciones genéticas específicas como CDK4+MYC) donde el límite inferior del efecto del tratamiento permaneció estrictamente positivo, indicando beneficios robustos del tratamiento a pesar de la censura informativa. Esto proporcionó información que los estimadores puntuales estándar no podían ofrecer de manera fiable en presencia de tal sesgo.

5. Significado y Afirmaciones

El artículo afirma ser el primero en proporcionar una herramienta de identificación parcial específicamente para la estimación del CATE bajo censura informativa. Su significado radica en:

• Utilidad Clínica: Permitir a los clínicos identificar subgrupos de pacientes que se benefician confiablemente del tratamiento incluso cuando los mecanismos de deserción están sesgados, sin depender de estimaciones puntuales potencialmente inválidas.
• Robustez: Ofrecer una "red de seguridad" para la inferencia causal en el análisis de supervivencia donde fallan las suposiciones estándar. El marco se degrada elegantemente hacia la estimación puntual cuando la censura es débil, pero permanece válido cuando la censura es fuerte.
• Flexibilidad: La naturaleza agnóstica al modelo permite la integración con modelos de aprendizaje automático de última generación, haciéndolo aplicable a datos médicos complejos y de alta dimensión.

Los autores concluyen que su marco proporciona resultados válidos e interpretables, ayudando a mitigar los riesgos de estimaciones de efectos del tratamiento sesgadas en estudios de supervivencia. Se sugiere que el trabajo futuro se centre en aprender funciones de sensibilidad a partir de datos externos y extender las herramientas de inferencia.