🤖 machine learning

Staying Alive: Uncensored Survival Analysis with Tabular Foundation Models

Este artículo introduce un método de regresión de supervivencia libre de entrenamiento que aprovecha los Modelos Fundacionales Tabulares para imputar iterativamente datos censurados por la derecha y construir un modelo de Tiempo de Fallo Acelerado, logrando un rendimiento competitivo frente a los modelos tradicionales entrenados en bancos de pruebas estándar.

Autores originales: Mariana Vargas Vieyra

Publicado 2026-06-03

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Mariana Vargas Vieyra

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La Gran Imagen: Predecir el "Cuándo" Sin Entrenar

Imagina que eres un médico tratando de predecir cuánto tiempo sobrevivirá un paciente después de un diagnóstico, o un mecánico de coches adivinando cuándo se romperá una pieza específica. Esto se llama Análisis de Supervivencia. La parte difícil es que, a menudo, no llegas a ver el evento final. Tal vez el paciente se muda de ciudad, o el estudio termina antes de que la pieza del coche se rompa. En estadística, esto se llama censura por la derecha: sabes que el evento aún no ha ocurrido, pero no sabes cuándo ocurrirá.

Normalmente, para resolver esto, necesitas construir un modelo personalizado desde cero para cada nuevo conjunto de datos, lo cual es como contratar a un nuevo arquitecto para diseñar una casa cada vez que compras un terreno.

Este artículo presenta una nueva forma de hacer esto utilizando Modelos Fundacionales Tabulares (TFM). Piensa en un TFM como un "detective superinteligente y preentrenado" que ya ha leído millones de conjuntos de datos diferentes. Puede mirar una nueva lista de hechos (una tabla de datos) y hacer una predicción de un solo vistazo, sin necesidad de ser reentrenado. Los autores quisieron ver si este "superdetective" podía resolver el acertijo del "tiempo faltante" del análisis de supervivencia sin ningún entrenamiento adicional.

El Problema: El Detective No Puede Ver el Final

El problema es que estos superdetectives (TFM) están acostumbrados a ver la historia completa. Si les preguntas: "¿Cuánto tiempo vivirá este paciente?", pero solo les das los datos hasta el punto en que dejó el estudio, el detective se confunde. Espera una respuesta definitiva, no un "aún no lo sé".

Si simplemente ignoras a los pacientes con tiempos finales faltantes (datos censurados), el detective se sesgará. Pensará que todo el mundo muere antes de lo que realmente lo hace, porque solo está mirando a las personas que murieron pronto e ignorando a las que aún están vivas.

La Solución: El Juego de "Rellenar los Huecos"

Los autores crearon un método llamado TabSA (Análisis de Supervivencia Tabular) que permite al detective resolver el acertijo en dos ingeniosos pasos:

Paso 1: El "Adivinar el Promedio" (El Modelo AFT)

Primero, utilizan al detective para adivinar el "logaritmo del tiempo promedio" para todos basándose en sus características (como la edad, marcadores de salud, etc.). Esto es como si el detective mirara a una multitud y adivinara: "Basándome en lo que he visto antes, este grupo suele durar aproximadamente X años".

Sin embargo, solo permiten que el detective observe a las personas que sí terminaron el estudio para hacer esta suposición. Para que funcione, solo tienen que ajustar un único número (un parámetro de escala). Es como decirle al detective: "Eres bueno adivinando, solo dime cuánto debo estirar o encoger tus suposiciones".

Paso 2: El "Juego de la Imaginación" (Imputación Iterativa)

Esta es la parte mágica. Dado que el detective no puede ver el final de la historia para los pacientes censurados, los autores juegan un juego de "rellenar los huecos".

La Primera Suposición: Comienzan adivinando los tiempos finales faltantes para los pacientes censurados utilizando un truco estadístico estándar (como una estimación aproximada basada en quién más sigue vivo).
El Bucle: Introducen estas suposiciones de nuevo al detective. El detective mira al grupo completo (incluyendo las suposiciones) y dice: "En realidad, basándome en esta nueva información, mi suposición para esa persona debería ser un poco más larga".
Refinamiento: Actualizan las suposiciones y le preguntan al detective de nuevo. Repiten este bucle una y otra vez (como perfeccionar un boceto) hasta que las suposiciones dejan de cambiar.

Este proceso está inspirado en un viejo método estadístico llamado estimador de Buckley-James, pero en lugar de realizar cálculos matemáticos complejos, dejan que el "superdetective" (el TFM) haga el trabajo pesado de determinar cuáles deberían ser los tiempos faltantes.

Los Resultados: ¿Cómo lo Hicieron?

Los autores probaron su método en cinco conjuntos de datos del mundo real (ataques cardíacos, cáncer de mama, cuidados críticos, etc.) y lo compararon con:

Modelos Clásicos: Los "arquitectos personalizados" tradicionales que requieren un entrenamiento pesado.
Otros Métodos Zero-Shot: Otras formas de usar estos detectives sin entrenamiento.

Los Hallazgos:

Poder de Clasificación: Su método (TabSA-BJ) fue excelente para clasificar a los pacientes. Pudo decir correctamente: "El Paciente A probablemente vivirá más tiempo que el Paciente B" casi tan bien como los modelos costosos y totalmente entrenados.
Calibración: Aunque fue excelente clasificando, fue ligeramente menos perfecto al predecir la probabilidad exacta de supervivencia en un momento específico en comparación con un método que divide el tiempo en cubetas (discretización).
Sin Necesidad de Entrenamiento: La mayor victoria es que lograron estos resultados sin reentrenar el modelo en el conjunto de datos específico. Simplemente introdujeron los datos, ejecutaron el bucle de "rellenar los huecos" y obtuvieron un resultado.

La Conclusión

El artículo demuestra que no siempre necesitamos construir un nuevo modelo desde cero para predecir tiempos de supervivencia. Al utilizar un modelo fundacional preentrenado como un motor inteligente y jugar un sencillo juego de "adivinar y refinar" para manejar los datos faltantes, podemos obtener resultados que compiten con los modelos estadísticos tradicionales que requieren mucho entrenamiento.

Es como tener a un maestro chef que ha probado todos los platos del mundo. En lugar de enseñarle una nueva receta desde cero, solo le das los ingredientes y le preguntas: "Basándote en tu experiencia, ¿cuánto tiempo tardará este estofado en cocinarse?" y dejas que ajuste su suposición hasta que se sienta correcta.

Resumen Técnico: Staying Alive: Uncensored Survival Analysis with Tabular Foundation Models

Declaración del Problema
El Análisis de Supervivencia (SA) es un marco estadístico utilizado para modelar el tiempo hasta que ocurre un evento de interés, con aplicaciones que van desde la atención médica hasta la predicción de abandono (churn). Un desafío central en el SA es la censura por la derecha (right-censoring), donde el tiempo del evento para algunos sujetos no se observa porque abandonan el estudio o alcanzan el horizonte de observación antes de que ocurra el evento. Mientras que los modelos de supervivencia clásicos manejan naturalmente los datos censurados, los Modelos de Fundación Tabulares (TFMs) —que destacan en la clasificación y regresión en contexto sin entrenamiento específico para el conjunto de datos— tienen dificultades con esta tarea. Los TFMs suelen esperar objetivos de predicción completamente observados, lo que dificulta la aplicación directa a la regresión de supervivencia. Los intentos existentes para adaptar los TFMs, como la discretización del tiempo en contenedores (bins) para clasificación, introducen un compromiso entre resolución y tamaño de contexto efectivo, lo que a menudo degrada el rendimiento con una discretización más gruesa.

Metodología
Los autores proponen TabSA, un marco libre de entrenamiento que aprovecha los TFMs congelados para realizar regresión de supervivencia, planteando la tarea como un problema de predicción en contexto. El método opera bajo la suposición de un modelo de Tiempo de Fallo Acelerado (AFT), donde el logaritmo del tiempo del evento se modela linealmente. La innovación central es una estrategia de imputación iterativa y no paramétrica para datos censurados, inspirada en el estimador de Buckley-James.

El algoritmo propuesto procede de la siguiente manera:

Construcción del Modelo: Se utiliza el TFM como columna vertebral de regresión para predecir la media del log-tiempo ( $\hat{\mu}$ ) para los sujetos basándose en ejemplos en contexto.
Estimación de Parámetros: Se estima un único parámetro escalar, el parámetro de escala $\sigma$ , mediante la Estimación de Máxima Verosimilitud (MLE) en el conjunto de entrenamiento. Este es el único parámetro que requiere ajuste; la columna vertebral del TFM permanece congelada.
Imputación Iterativa (TabSA-BJ): Para abordar la censura por la derecha sin descartar datos, el método imputa iterativamente pseudo-objetivos para sujetos censurados:
- Inicialización: Los pseudo-objetivos se inicializan utilizando un arranque en caliente (warm start) basado en datos mediante el estimador jackknife de Kaplan-Meier.
- Iteración: En cada paso, el TFM predice la media del log-tiempo para los sujetos censurados utilizando un contexto estocástico de sujetos no censurados y censurados submuestreados (para evitar la autopredicción degenerada).
- Actualización: A diferencia del estimador estándar de Buckley-James que imputa la media condicional, este método actualiza los pseudo-objetivos mediante el muestreo de una distribución truncada ( $p(\log T_i | T_i > C_i)$ ), imponiendo estrictamente la restricción de que el tiempo imputado debe exceder el tiempo de censura.
- Refinamiento: El parámetro de escala $\sigma$ se reestima mediante MLE en el conjunto de datos actualizado. Este bucle continúa hasta que los pseudo-objetivos se estabilizan.
Inferencia: En el momento de la prueba, el modelo realiza una pasada hacia adelante para obtener los log-tiempos medios, que se combinan con el $\sigma$ final para construir la función de supervivencia.

Contribuciones Clave

Regresión de Supervivencia Zero-Shot: El artículo introduce un método para realizar regresión de supervivencia utilizando TFMs sin entrenamiento específico para el conjunto de datos, requiriendo únicamente el ajuste de un único parámetro escalar ( $\sigma$ ).
Imputación en Contexto No Paramétrica: Los autores proponen un nuevo mecanismo iterativo para manejar la censura por la derecha aprovechando el TFM como un estimador no paramétrico para imputar datos censurados, evitando las compensaciones de resolución-rendimiento asociadas con la discretización del tiempo.
Integración AFT: El marco construye exitosamente un modelo AFT utilizando una columna vertebral de TFM, cerrando la brecha entre los modelos de fundación modernos y las estructuras clásicas de análisis de supervivencia.

Resultados Experimentales
El método fue evaluado en cinco bancos de pruebas estándar de análisis de supervivencia (WHAS500, GBSG, METABRIC, SUPPORT, FLCHAIN) que cubren enfermedades cardiovasculares, oncología y cuidados críticos. El método propuesto (TabSA-BJ) se comparó contra modelos entrenados clásicos (Cox PH, Weibull AFT, Log-Normal AFT, Random Survival Forest) y un competidor zero-shot (TabSA-Bin, que utiliza la discretización del tiempo).

Discriminación (C-Index): TabSA-BJ logró puntuaciones de C-Index competitivas, a menudo igualando o superando a los modelos entrenados clásicos y superando significativamente a las variantes zero-shot más simples (TabSA-CCA, TabSA-PO). Demostró una fuerza particular en conjuntos de datos con tasas de censura más altas.
Calibración (IBS): Aunque TabSA-BJ mostró una fuerte discriminación, su Puntuación de Brier Integrada (IBS) fue generalmente inferior a la de TabSA-Bin y los métodos clásicos. Los autores atribuyen esto a la naturaleza de los métodos: TabSA-Bin optimiza las probabilidades de supervivencia en cuantiles fijos (mejor para la calibración), mientras que TabSA-BJ opera en la escala de log-tiempo (mejor para la discriminación).
Convergencia: El análisis mostró que el parámetro de escala $\sigma$ converge a valores estables (a menudo cercanos a 1), lo que sugiere que la columna vertebral del TFM captura una fracción sustancial de la varianza en el log-tiempo sin entrenamiento específico de supervivencia.

Significancia y Reivindicaciones
El artículo sostiene que los Modelos de Fundación Tabulares codifican suficiente conocimiento previo sobre estructuras de regresión para generalizar a tareas de supervivencia con una adaptación mínima. Al introducir una estrategia de imputación iterativa libre de entrenamiento, el trabajo demuestra que los TFMs pueden manejar eficazmente los datos censurados por la derecha, ofreciendo una dirección prometedora para el modelado estadístico zero-shot en dominios donde los datos de tiempo de evento etiquetados son escasos o donde se requiere un despliegue rápido sin reentrenamiento. Los autores posicionan a TabSA-BJ y TabSA-Bin como mecanismos complementarios, siendo el primero superior en discriminación y el segundo en calibración.