Structured Transfer Learning for Survival Risk Stratification in Data-Sparse Clinical Cohorts

Resumen Técnico: Aprendizaje por Transferencia Estructurado para la Estratificación del Riesgo de Supervivencia en Cohortes Clínicas con Escasez de Datos

Enunciado del Problema
Los modelos de predicción de supervivencia a menudo fallan en generalizar de manera fiable cuando se aplican a grupos clínicos con tamaños de muestra limitados o pocos eventos de resultado observados, como minorías étnicas subrepresentadas o poblaciones específicas de atención local. En estos entornos "con escasez de datos", los modelos ajustados exclusivamente dentro de la cohorte objetivo (solo objetivo) tienden a producir puntuaciones de riesgo inestables y estimaciones de razón de peligros imprecisas debido a que la censura por la derecha reduce la información disponible. Por el contrario, los modelos tomados directamente de cohortes más grandes y mejor representadas (solo fuente) o la agrupación ingenua de datos de fuente y objetivo a menudo no logran tener en cuenta la heterogeneidad poblacional. Las diferencias en demografía, mezcla de casos, procesos de medición y práctica clínica pueden inducir desplazamientos de covariables y heterogeneidad de efectos, lo que conduce a una pobre transportabilidad y a una estratificación del riesgo potencialmente inequitativa. Además, los métodos existentes de aprendizaje multitarea suelen operar dentro de un único entorno de datos, mientras que los enfoques estándar de aprendizaje por transferencia suelen adaptar un resultado a la vez, sin aprovechar la relación estructural entre múltiples resultados clínicos.

Metodología: CORE-Cox
Para abordar estos desafíos, los autores desarrollaron el Modelo de Cox de Rango Reducido Compartido por Cohortes (CORE-Cox), un marco de aprendizaje por transferencia estructurado en dos etapas diseñado para la predicción de supervivencia con múltiples resultados.

1. Etapa 1: Aprendizaje en la Fuente (Estructura de Bajo Rango):
   En una cohorte fuente más grande, CORE-Cox estima una estructura compartida de factores de riesgo a través de $K$ resultados relacionados. En lugar de aprender vectores de coeficientes independientes para cada resultado, impone una restricción de bajo rango sobre la matriz de coeficientes $B^{(s)} \in \mathbb{R}^{p \times K}$, representándola como $B^{(s)} = U^{(s)}(V^{(s)})^\top$. Esto permite que los resultados relacionados (por ejemplo, enfermedades cardiometabólicas que comparten vías biológicas) aprovechen la fuerza estadística a través de un menor número de patrones de riesgo latentes, al tiempo que preservan vectores específicos del resultado.

2. Etapa 2: Adaptación al Objetivo (Corrección de Residuos Regularizada):
   La matriz de coeficientes estimada de la fuente se adapta luego a una cohorte objetivo más pequeña mediante una corrección de residuos: $B^{(t)} = \hat{B}^{(s)} + \Theta$. Aquí, $\Theta$ captura las desviaciones específicas del objetivo respecto al modelo de la fuente. Esta matriz de residuos se estima utilizando un objetivo de verosimilitud parcial de Cox penalizado dentro de la cohorte objetivo. La fuerza de la penalización controla el grado de aprovechamiento: una penalización fuerte contrae el modelo objetivo hacia la estructura de la fuente, mientras que una penalización más débil permite una adaptación más específica del objetivo.

El marco preserva la interpretabilidad de la regresión de Cox y no requiere una distribución conjunta de múltiples tiempos de evento. Fue evaluado mediante validación cruzada anidada repetida frente a siete puntos de referencia: Cox solo objetivo (estándar, Lasso, Ridge), modelos multitarea de bajo rango (entrenados en objetivo, fuente o datos agrupados), transferencia directa de fuente y transferencia de residuos de un solo resultado.

Resultados Clave
El estudio evaluó CORE-Cox en dos entornos distintos:

• UK Biobank: Una cohorte basada en la población con una fuente blanca/europea ($n=150,093$) y un objetivo asiático ($n=2,534$).
• MIMIC-IV: Una base de datos de registros electrónicos de salud de cuidados intensivos con una fuente blanca ($n=15,997$) y un objetivo asiático ($n=672$).

En nueve resultados de enfermedades crónicas y mortalidad en ambos conjuntos de datos, CORE-Cox logró consistentemente la mejor o casi la mejor discriminación en datos retenidos (medida por el índice de concordancia, C-index):

• UK Biobank: El C-index medio en la cohorte objetivo mejoró de 0.733 (Cox estándar solo objetivo) a 0.766 con CORE-Cox.
• MIMIC-IV: El C-index medio mejoró de 0.628 a 0.658, con ganancias observadas en ocho de los nueve resultados.

Además, CORE-Cox mejoró la identificación de individuos de alto riesgo. En el 15% superior del riesgo predicho, el aumento promedio en la tasa de eventos fue de 3.16 en UK Biobank y 1.85 en MIMIC-IV. El análisis de la razón de peligros demostró que las estimaciones de CORE-Cox a menudo fueron intermedias entre los modelos solo fuente y solo objetivo, con intervalos de confianza más estrechos que los modelos solo objetivo, lo que indica una mayor estabilidad de estimación sin simplemente reproducir el modelo de la fuente. Los estudios de simulación confirmaron que CORE-Cox redujo el error de estimación de coeficientes en comparación con el Cox solo objetivo, particularmente cuando los tamaños de muestra del objetivo eran pequeños y las diferencias entre fuente y objetivo eran moderadas.

Significado y Afirmaciones
El artículo afirma que CORE-Cox proporciona un enfoque de aprendizaje por transferencia estructurado e interpretable específicamente para la estratificación del riesgo de supervivencia en cohortes clínicas con escasez de datos. Su contribución principal es la separación de la estructura compartida de riesgo entre resultados (aprendida en la fuente) de la adaptación residual específica del objetivo. Esto ofrece una alternativa práctica a tres estrategias comunes pero defectuosas:

1. Modelado inestable dentro de la cohorte (solo objetivo).
2. Agrupación ingenua de cohortes heterogéneas.
3. Transferencia directa sin modificar desde cohortes más grandes.

Los autores enfatizan que la transferibilidad debe probarse y no asumirse en cohortes pequeñas. Si bien el método muestra promesa para mejorar la clasificación de riesgo relativo y la identificación de alto riesgo, el artículo afirma explícitamente que se requiere una evaluación adicional antes de que CORE-Cox pueda utilizarse para la predicción de riesgo absoluto calibrado o la toma de decisiones clínicas directa. El estudio no afirma resolver todos los problemas de escasez de datos, pero demuestra que aprovechar la estructura entre resultados mediante modelado de bajo rango, combinado con una adaptación objetivo regularizada, puede mitigar eficazmente la inestabilidad en poblaciones subrepresentadas.