Resumen Técnico: Agrupamiento Funcional de Datos de Supervivencia mediante Trayectorias de Log-Riesgo Suavizadas

1. Planteamiento del Problema

El agrupamiento de análisis de supervivencia está tradicionalmente dominado por el agrupamiento a nivel de individuo, que agrupa sujetos basándose en tiempos de supervivencia y covariables. Una perspectiva menos explorada pero potencialmente valiosa es el agrupamiento a nivel de curva, que busca agrupar curvas de supervivencia agregadas (por ejemplo, curvas de Kaplan-Meier) para identificar tendencias más amplias entre cohortes, hospitales o regiones.

Los métodos existentes de nivel de curva, como Survclustcurves, dependen principalmente de las probabilidades de supervivencia acumuladas y de matrices de disimilitud basadas en el log-rank. Los autores argumentan que estos enfoques tienen una limitación crítica: operan sobre información acumulativa, lo que puede ocultar las diferencias en la temporalidad, localización e intensidad del riesgo instantáneo. Cuando las curvas de supervivencia se traslapan, se cruzan o convergen, los métodos basados en probabilidades acumulativas pueden no distinguir cohortes que exhiben dinámicas de riesgo subyacentes fundamentalmente diferentes. Además, las funciones escalonadas no paramétricas estándar (como Kaplan-Meier) son matemáticamente poco adecuadas para el análisis de datos funcionales (FDA) debido a su discontinuidad y sensibilidad al ruido de discretización.

2. Metodología

El artículo propone un marco de Análisis de Datos Funcionales (FDA) que desplaza el enfoque analítico de las probabilidades de supervivencia acumuladas hacia la función de riesgo instantáneo (hazard function). La metodología avanza a través de las siguientes etapas:

A. Representación Funcional de las Trayectorias de Log-Riesgo

En lugar de agrupar curvas de supervivencia puras, el método modela la función de log-riesgo ($\log h(t)$).

• Justificación: La función de riesgo captura las dinámicas de riesgo instantáneo (picos, aceleraciones, puntos de inflexión) que a menudo se suavizan en las curvas de supervivencia acumuladas. La escala logarítmica asegura la positividad tras la transformación inversa y permite un suavizado sin restricciones.
• Suavizado: Las estimaciones de riesgo empíricas crudas son inestables y ruidosas. Los autores aplican un suavizado de B-splines para construir trayectorias continuas y diferenciables.
• Selección del Suavizado: Los parámetros de suavizado se seleccionan mediante una regla de Validación Cruzada Generalizada (GCV). Crucialmente, los autores no seleccionan el mínimo absoluto de GCV, sino que eligen un suavizador dentro de una tolerancia del 20% ($\delta = 0.20$) del mínimo. Entre estos candidatos "equivalentes a GCV", se selecciona aquel que maximiza la variabilidad local (promedio de la derivada segunda integrada al cuadrado) para preservar características temporales interpretables (por ejemplo, picos retardados) que un suavizado excesivamente rígido podría atenuar.

B. Análisis de Componentes Principales Funcionales (FPCA)

Las trayectorias de log-riesgo suavizadas se proyectan en un espacio de baja dimensión utilizando FPCA.

• Reducción de Dimensionalidad: El número de Componentes Principales Funcionales retenidos, denotado como $M$, se determina antes del agrupamiento mediante una regla conservadora de 95% de varianza explicada acumulada ($CPV(M) \geq 0.95$). Esto asegura que el agrupamiento se realice sobre una representación que retenga la estructura temporal principal de las dinámicas de riesgo, en lugar de optimizar la separación de los grupos.
• Puntuaciones (Scores): El agrupamiento se realiza sobre las puntuaciones de FPCA no estandarizadas. Se evita la estandarización para preservar la estructura de varianza inducida por los autovalores, evitando que los componentes de baja varianza (potencialmente ruidosos) dominen la métrica de distancia.

C. Agrupamiento en el Espacio de Puntuaciones

Se aplican algoritmos de agrupamiento estándar (K-means, K-medoids, agrupamiento jerárquico de Ward) a las puntuaciones de FPCA no estandarizadas.

• Selección de Clústeres: El número óptimo de clústeres ($K$) se selecciona después de que la representación de FPCA esté fijada, utilizando criterios de validez interna (ancho promedio de Silhouette) y diagnósticos de estabilidad (remuestreo bootstrap).
• Interpretación: Las distancias en el espacio de puntuación de FPCA aproximan las disimilitudes entre las trayectorias de log-riesgo. En consecuencia, los clústeres representan grupos con dinámicas de riesgo temporal relativas similares (patrones multiplicativos de razones de riesgo) en lugar de valores de riesgo absolutos idénticos.

3. Contribuciones Clave

1. Cambio en el Objeto de Análisis: El artículo redefine el objeto de agrupamiento de curvas de supervivencia acumuladas a trayectorias de log-riesgo suavizadas, argumentando que estas últimas codifican información pronóstica más rica respecto a la temporalidad y las dinámicas del riesgo.
2. Pipeline Funcional Robusto: La integración del suavizado de B-splines (con una regla GCV que preserva la flexibilidad) y FPCA proporciona una representación estable y diferenciable de las funciones de riesgo, superando la inestabilidad de las estimaciones de riesgo empíricas crudas.
3. Reducción de Dimensionalidad Conservadora: Al fijar la truncación de FPCA basándose en un umbral de varianza del 95% independiente del rendimiento del agrupamiento, el método evita el sobreajuste y asegura que el agrupamiento refleje la variabilidad funcional genuina en lugar del ruido.
4. Distinción de los Modelos de Referencia: El marco contrasta explícitamente con los modelos de referencia basados en la supervivencia acumulada, demostrando que los grupos identificados por las dinámicas de riesgo pueden diferir significativamente de aquellos identificados por la disminución de la supervivencia acumulada.

4. Resultados

Estudios de Simulación

• Continuo de Complejidad: El método fue probado con datos simulados con un aumento en el traslape entre los regímenes latentes de log-riesgo (0% a 50% de traslape).
  • Rendimiento: El método de K-means aplicado a puntuaciones de FPCA no estandarizadas demostró consistentemente la mejor recuperación (Índice de Rand Ajustado, ARI), manteniendo un alto rendimiento incluso cuando el traslape aumentaba. Mostró una degradación más gradual en comparación con los modelos de referencia que agrupan coeficientes de B-spline estandarizados o curvas de supervivencia acumuladas.
  • Sensibilidad: El rendimiento de recuperación fue invariante a través de los umbrales de truncación de FPCA del 90% al 99%, confirmando que la regla del 95% no crea artificialmente la estructura latente.
  • Robustez ante Outliers: En pruebas de estrés con trayectorias atípicas (outliers) inyectadas, el pipeline basado en FPCA se mantuvo informativo, aunque el número seleccionado de clústeres y el ARI variaron de forma no monótona dependiendo de la interacción entre los outliers y el algoritmo de agrupamiento.
• Caso de Estudio: En un escenario con tres regímenes de riesgo temporal distintos, el enfoque de FPCA-log-riesgo logró una recuperación perfecta (ARI = 1.000), mientras que el modelo de referencia de supervivencia acumulada falló en recuperar los regímenes localizados en el tiempo (ARI = 0.351), a pesar de tener una alta cohesión interna.

Aplicaciones en el Mundo Real

El método se aplicó a dos conjuntos de datos clínicos: el Estudio Alemán de Cáncer de Mama (GBCS) y el conjunto de datos de Cirrosis Biliar Primaria (PBC).

• GBCS: El método identificó una partición de dos clústeres basada en la afectación de ganglios linfáticos (bajo vs. alto). Los clústeres fueron impulsados por una diferencia persistente en el nivel de riesgo de recurrencia instantánea. La partición mostró una estabilidad moderada (Jaccard medio $\approx$ 0.60).
• PBC: El método identificó una partición de dos clústeres que separa perfiles con niveles altos de bilirrubina/Etapa 4 de enfermedad frente a perfiles con bilirrubina/Etapa 2-3 más bajos. La separación fue impulsada casi totalmente por el primer FPC (93.4% de la varianza), que representa un contraste global de nivel de riesgo. La estabilidad fue moderada-baja (Jaccard medio $\approx$ 0.56).
• Comparación: En ambos conjuntos de datos, los modelos de referencia de supervivencia acumulada a veces produjeron valores de Silhouette más altos. Los autores aclaran que esto no implica superioridad; más bien, indica que las curvas acumulativas admiten particiones cohesivas basadas en el declive acumulado, mientras que el método propuesto identifica particiones basadas en las dinámicas de riesgo instantáneo. Estos son interrogantes inferenciales distintos.

5. Significado y Reivindicaciones

El artículo afirma que el marco propuesto ofrece una herramienta complementaria a los métodos de agrupamiento de supervivencia existentes, particularmente cuando el objetivo científico es comprender la evolución temporal del riesgo más que solo el resultado final de supervivencia.

• Interpretabilidad: El método proporciona una representación interpretable de las dinámicas de riesgo temporal relativas, donde los clústeres se definen por patrones compartidos en la temporalidad y magnitud de los picos de riesgo.
• Robustez: El enfoque es robusto ante la complejidad estructural y los traslapes de las funciones de riesgo, superando a los modelos de referencia que dependen de probabilidades acumuladas o coeficientes de spline crudos.
• Modestia: Los autores declaran explícicamente que los resultados de los datos del mundo real deben verse como agrupamientos funcionales exploratorios más que como clasificaciones clínicas definitivas. Reconocen limitaciones, incluyendo la falta de propagación completa de la incertidumbre desde los datos a nivel de individuo hacia el análisis a nivel de curva y la sensibilidad de los resultados a la cantidad de trayectorias agregadas disponibles.

En conclusión, el artículo sostiene que al modelar los datos de supervivencia como objetos funcionales en la escala de log-riesgo, los investigadores pueden descubrir dinámicas de riesgo latentes que quedan ocultas geométricamente en los análisis tradicionales de supervivencia acumulada.