SurvHTE-Bench: A Benchmark for Heterogeneous Treatment Effect Estimation in Survival Analysis

Este artículo presenta SurvHTE-Bench, el primer benchmark integral para la estimación de efectos heterogéneos del tratamiento en análisis de supervivencia, que evalúa rigurosamente diversos métodos mediante conjuntos de datos sintéticos, semisintéticos y del mundo real para establecer un estándar de evaluación justo y reproducible.

Lo esencial

Imagina que eres un médico y tienes un nuevo medicamento para tratar una enfermedad. Quieres saber: ¿Funciona este medicamento para todos por igual, o hay pacientes para los que es una maravilla y otros para los que es inútil o incluso peligroso?

En el mundo de la medicina de precisión, no buscamos un "promedio" (como decir "el medicamento funciona un 10% mejor en promedio"). Buscamos el Efecto del Tratamiento Heterogéneo (HTE): entender cómo funciona la medicina específicamente para cada persona.

El problema es que en la vida real, los datos de pacientes a menudo están "incompletos". Muchos pacientes abandonan el estudio, se mudan o simplemente dejan de ir al médico antes de que ocurra el evento que nos importa (como una recaída o la muerte). En estadística, a esto le llamamos datos censurados. Es como intentar adivinar quién ganará una carrera de maratón mirando solo a los corredores que terminaron, ignorando a los que se retiraron por cansancio o lesión.

Hasta ahora, no había una "pista de pruebas" estándar para ver qué métodos matemáticos son mejores para predecir estos efectos en carreras con muchos retirados.

Aquí es donde entra SURVHTE-BENCH, el nuevo "campo de entrenamiento" creado por los autores de este paper.

¿Qué es SURVHTE-BENCH? (La Analogía del Simulador de Vuelo)

Imagina que SURVHTE-BENCH es un simulador de vuelo ultra-realista para pilotos de aviones (los algoritmos de inteligencia artificial).

1. El Simulador (Datos Sintéticos):
   Los autores crearon 40 escenarios de vuelo diferentes. Algunos son días soleados (datos fáciles), otros son tormentas con turbulencias (datos difíciles).

   • Las tormentas: Simulan situaciones donde las reglas del juego se rompen. Por ejemplo, donde los pacientes más enfermos son los que más probablemente abandonan el estudio (censura informativa) o donde hay factores ocultos que influyen en quién recibe el tratamiento.
   • El objetivo: Ver qué algoritmo sobrevive mejor a la tormenta y sigue dando buenas predicciones.

2. El Entrenamiento Realista (Datos Semi-sintéticos):
   Usaron datos reales de hospitales (como registros de pacientes de UCI o ensayos clínicos de VIH), pero "inyectaron" tratamientos y resultados simulados. Es como poner a un piloto en un avión real, pero con un sistema de navegación controlado por computadora para saber exactamente quién debería haber ganado.

3. La Prueba de Fuego (Datos Reales):
   Probamos los algoritmos en dos casos reales:

   • Gemelos: Un estudio famoso donde tenemos datos de gemelos. Como son gemelos, podemos asumir que si uno recibe tratamiento y el otro no, podemos ver "qué hubiera pasado" con el que no recibió tratamiento. Es como tener un "gemelo mágico" para comparar.
   • Ensayo de VIH: Un estudio real donde no sabemos la respuesta perfecta, pero podemos ver cómo se comportan los algoritmos cuando añadimos más "ruido" (censura) artificialmente.

¿Qué descubrieron? (Los Ganadores de la Carrera)

Los autores probaron 53 métodos diferentes (pilotos distintos) en este simulador. Aquí están las conclusiones clave, explicadas de forma sencilla:

• No hay un "Superhéroe" único: No existe un algoritmo que gane siempre. Depende totalmente de las condiciones.

  • En días tranquilos (pocos abandonos): Los métodos clásicos que "rellenan" los datos faltantes (como si adivinaran el tiempo de llegada de los que se retiraron) funcionan muy bien.
  • En tormentas (muchos abandonos o datos sucios): Los métodos que modelan directamente la supervivencia (como los "Bosques de Supervivencia Causal" o los "Meta-aprendices de Supervivencia") son los ganadores. Son como pilotos entrenados para volar en niebla; no intentan adivinar el destino, sino que entienden la dinámica del vuelo en tiempo real.

• La trampa de la censura: Cuando muchos pacientes abandonan el estudio (alta censura), los métodos que intentan "adivinar" cuándo se irían los pacientes suelen fallar estrepitosamente. Los métodos que entienden la naturaleza del tiempo y el riesgo (modelos de supervivencia) son mucho más robustos.

• El equilibrio es clave: En situaciones donde los datos son muy desiguales (por ejemplo, muy pocos pacientes reciben el tratamiento), los métodos que usan "doble robustez" (que combinan dos formas de calcular) suelen ser más estables.

¿Por qué importa esto? (El Mensaje Final)

Antes de este paper, cada investigador hacía sus propias pruebas caseras, lo que hacía imposible comparar si el método A era realmente mejor que el método B. Era como comparar coches de carreras sin una pista oficial: uno corría en tierra, otro en asfalto.

SURVHTE-BENCH es la pista oficial. Ahora, los científicos pueden:

1. Probar sus nuevos algoritmos en las mismas condiciones difíciles.
2. Saber exactamente cuándo confiar en un método y cuándo no.
3. Desarrollar mejores herramientas para la medicina personalizada.

En resumen, este trabajo es como construir el primer gran gimnasio de entrenamiento para la inteligencia artificial médica, asegurando que cuando un doctor use una IA para decidir un tratamiento, esa IA haya pasado por las peores tormentas posibles y siga funcionando bien. ¡Es un paso gigante para salvar vidas con datos más inteligentes!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "SURVHTE-BENCH: A BENCHMARK FOR HETEROGENEOUS TREATMENT EFFECT ESTIMATION IN SURVIVAL ANALYSIS", publicado en ICLR 2026.

1. Planteamiento del Problema

La estimación de Efectos de Tratamiento Heterogéneos (HTE) a partir de datos de supervivencia con censura a la derecha es fundamental en aplicaciones de alto riesgo como la medicina de precisión y la formulación de políticas individualizadas. Sin embargo, este escenario presenta desafíos únicos que dificultan la inferencia causal:

• Censura: El evento de interés no se observa para todos los sujetos (se observa el tiempo mínimo entre el evento y la censura).
• Contrafactuales no observados: Solo se observa un resultado potencial por unidad.
• Supuestos de identificación complejos: Se requieren supuestos como ignorabilidad, positividad y censura ignorable, que a menudo se violan en la práctica (ej. factores pronósticos no medidos, desequilibrio en tratamientos, abandono informativo).

A pesar de los avances recientes (desde Bosques de Supervivencia Causal hasta meta-learners de supervivencia), la evaluación de estos métodos carece de estandarización. Los estudios existentes dependen de simulaciones ad hoc o conjuntos de datos reales sin verdad fundamental (ground truth), lo que impide comparaciones justas y reproducibles.

2. Metodología y Diseño del Benchmark (SURVHTE-BENCH)

El authors introducen SURVHTE-BENCH, el primer benchmark integral para la estimación de HTE en datos de supervivencia censurados. Su metodología se basa en tres pilares de datos y una unificación de métodos:

A. Unificación de Métodos

El benchmark categoriza y unifica 53 variantes de métodos existentes en tres familias principales, implementadas en un marco modular:

1. Métodos de Imputación de Resultados: Reemplazan los tiempos censurados por tiempos de supervivencia imputados (usando estrategias como Margin, IPCW-T o Pseudo-observations) y aplican estimadores estándar de HTE (Meta-learners S, T, X, DR; Double-ML; Causal Forests).
2. Métodos Directos de Supervivencia CATE: Extienden la inferencia causal directamente a resultados de tiempo hasta el evento sin imputación previa (ej. SurvITE, Causal Survival Forests).
3. Meta-learners de Supervivencia: Adaptan los marcos S, T y de Matching utilizando modelos de supervivencia nativos (Random Survival Forests, DeepSurv, DeepHit) en lugar de modelos de regresión estándar.

B. Diseño de Datos Sintéticos

Se construyeron 40 conjuntos de datos sintéticos mediante el cruce de dos ejes ortogonales:

• 8 Configuraciones Causales: Incluyen Ensayos Controlados Aleatorizados (RCT) y estudios observacionales con violaciones controladas de:
  • Ignorabilidad (confusión no observada).
  • Positividad (desequilibrio de tratamiento).
  • Censura Ignorable (censura informativa dependiente del tiempo de evento).
• 5 Escenarios de Supervivencia: Diferentes distribuciones de tiempos de evento (Cox, AFT, Poisson) y tasas de censura (Baja <30%, Media 30-70%, Alta >70%).

C. Datos Semi-sintéticos y Reales

• Semi-sintéticos (10 conjuntos): Combinan covariables reales (ACTG HIV, MIMIC-IV ICU) con tratamientos y resultados simulados, permitiendo evaluar la robustez ante estructuras de covariables realistas manteniendo la verdad fundamental.
• Datos Reales (2 conjuntos):
  • Twins: Estudio de gemelos con verdad fundamental conocida (un gemelo recibe tratamiento, el otro no).
  • ACTG 175: Ensayo clínico de VIH sin verdad fundamental conocida, utilizado para probar la estabilidad de los estimadores bajo censura artificialmente inyectada.

D. Métricas de Evaluación

Se evalúan los métodos utilizando:

• RMSE del CATE: Error cuadrático medio del efecto del tratamiento condicional.
• Sesgo del ATE: Diferencia entre el efecto promedio estimado y el verdadero.
• Precisión de Imputación: Error absoluto medio (MAE) en la imputación de tiempos censurados.
• Ajuste del Modelo: C-index dependiente del tiempo y AUC de propensión.

3. Contribuciones Clave

1. Marco Modular Unificado: Primera implementación sistemática de 53 variantes de métodos de HTE de supervivencia, facilitando la reproducibilidad y la extensión.
2. Evaluación Exhaustiva bajo Violaciones: Probar sistemáticamente el rendimiento de los estimadores bajo violaciones simultáneas de supuestos causales (ignorabilidad, positividad, censura informativa) y dinámicas de supervivencia diversas.
3. Cobertura de Escenarios Realistas: Inclusión de datos semi-sintéticos de alta dimensión (MIMIC-IV) y datos reales con verdad fundamental, llenando el vacío entre simulaciones teóricas y aplicaciones clínicas.
4. Análisis de Robustez: Identificación de qué métodos son más robustos ante altas tasas de censura y violaciones de supuestos, proporcionando guías prácticas para la selección de modelos.

4. Resultados Principales

Los experimentos revelan que no existe un único método dominante; el rendimiento depende críticamente del contexto:

• Escenarios de Baja Censura y RCT: Los métodos de imputación de resultados (especialmente Double-ML y Causal Forest) suelen tener un rendimiento superior.
• Alta Censura y Violaciones de Supuestos: Los Meta-learners de Supervivencia (especialmente S-Learner-Survival y Matching-Survival con modelos como DeepSurv) y los Causal Survival Forests demuestran una robustez superior.
  • A medida que aumenta la censura, los métodos que modelan directamente la estructura de supervivencia superan a los enfoques de imputación, que tienden a degradarse.
  • Bajo violaciones de ignorabilidad y censura informativa, los métodos de meta-learners de supervivencia mantienen un sesgo más estable que los imputadores estándar.
• Impacto de la Censura Informativa: Todos los métodos sufren un aumento en la variabilidad del RMSE bajo censura informativa, pero los enfoques directos de supervivencia y los meta-learners de supervivencia muestran menor degradación relativa.
• Datos Semi-sintéticos (MIMIC): En entornos de alta dimensión similares a registros electrónicos de salud (EHR), las diferencias de RMSE promedio se comprimen, haciendo que la estabilidad (baja varianza entre repeticiones) sea un criterio de selección más importante que el error medio.
• Datos Reales (Twins y ACTG): En el conjunto de datos Twins, los métodos S-Learner y DR-Learner (con imputación) y S-Learner-Survival obtuvieron los mejores resultados. En ACTG, los métodos de imputación mostraron mayor variabilidad bajo alta censura, mientras que los bosques de supervivencia causal mantuvieron estimaciones más estables.

5. Significado e Impacto

El trabajo SURVHTE-BENCH establece un nuevo estándar para la evaluación de métodos de inferencia causal en supervivencia.

• Reproducibilidad: Proporciona código, datos y protocolos estandarizados, eliminando la fragmentación actual en la literatura.
• Guía Práctica: Ofrece evidencia empírica para que los investigadores y clínicos seleccionen el estimador adecuado según las características de sus datos (tasa de censura, presencia de confusión, tamaño de la muestra).
• Avance Científico: Al demostrar que los métodos que incorporan explícitamente la estructura de supervivencia (meta-learners de supervivencia) son más robustos en escenarios difíciles, el benchmark impulsa el desarrollo de algoritmos más fiables para la toma de decisiones médicas personalizadas.

El benchmark es de código abierto y está disponible públicamente, diseñado para ser extensible a tratamientos dinámicos, covariables longitudinales y otros estimandos en el futuro.