ShrinkageTrees: An R Package for Bayesian Tree Ensembles… — Explicación divulgativa

Imagina que eres un médico intentando predecir cuánto tiempo vivirá un paciente tras un diagnóstico, o quizás tratando de averiguar si un nuevo medicamento funciona mejor que uno antiguo. Tienes muchos datos: edad, presión arterial y, tal vez, miles de lecturas genéticas. Este es un rompecabezas complejo y desordenado, especialmente cuando algunos pacientes abandonan el estudio antes del final (por lo que no sabes exactamente cuándo fallecieron) o cuando solo sabes que ocurrió un evento "en algún momento entre el mes pasado y este mes".

Este artículo presenta una nueva herramienta llamada ShrinkageTrees. Piensa en ella como un equipo de detectives súper inteligentes y altamente disciplinados (un "conjunto de árboles") diseñado específicamente para resolver estos rompecabezas médicos.

Así es como funciona, desglosado en conceptos simples:

1. El equipo de detectives (Los Árboles)

Imagina que no pides la opinión de un solo experto; pides la opinión de cien. Cada experto es un "árbol de decisión".

Cómo funcionan: Cada árbol hace preguntas sencillas de sí o no, como "¿Es el paciente mayor de 50 años?" o "¿Es alto el Gen X?". Basándose en las respuestas, el árbol hace una pequeña conjetura sobre el resultado.
El esfuerzo de equipo: La predicción final es la suma de todas estas pequeñas conjeturas. Debido a que hay tantos árboles, pueden detectar patrones complejos que un solo experto pasaría por alto.

2. El problema: Demasiadas pistas, muy pocos sospechosos

En la medicina moderna, a menudo tienes miles de pistas (genes) pero muy pocos pacientes para estudiar.

La forma antigua: Si dejas que el equipo de detectives corra libremente, podrían distraerse con el ruido aleatorio. Podrían empezar a inventar reglas basadas en coincidencias (por ejemplo, "Los pacientes que usan calcetines azules viven más tiempo") solo para ajustarse perfectamente a los datos. Esto se llama "sobreajuste" (overfitting). Se ve genial en el papel, pero falla en el mundo real.
La solución de la contracción (Shrinkage): Los autores añadieron un "disciplinador" al equipo. Esto es la parte de Shrinkage (contracción). Actúa como un editor estricto que dice: "Si una regla no está fuertemente respaldada por la evidencia, la reduciremos a cero".
- La metáfora de la herradura: El artículo destaca un tipo específico de contracción llamada "Herradura" (Horseshoe). Imagina un imán en forma de herradura. Tiene una atracción muy fuerte en el medio (reduciendo las pistas débiles e inútiles a cero) pero una curva amplia y abierta en los extremos (dejando pasar las pistas fuertes e importantes sin que se vean afectadas). Esto asegura que el modelo ignore el ruido pero mantenga las señales reales claras y fuertes.

3. Manejo de pistas faltantes o vagas (Censura)

En los estudios de supervivencia, los datos suelen estar incompletos.

Censura por la derecha: Un paciente sigue vivo cuando termina el estudio. Sabemos que sobrevivió al menos ese tiempo, pero no exactamente cuándo fallecerá.
Censura por intervalo: Solo sabemos que un paciente falleció entre su última revisión y la siguiente.
La innovación: Las herramientas existentes suelen tener dificultades con estos cronogramas vagos. ShrinkageTrees está construido para manejar estos cronogramas "difusos" de forma natural, llenando los vacíos matemáticamente sin perder precisión.

4. El detective de "dos cabezas" (Inferencia Causal)

A veces quieres saber no solo qué pasará, sino por qué pasó. ¿El paciente sobrevivió gracias al fármaco, o simplemente porque era más joven?

La forma antigua: Las herramientas estándar intentan adivinar el resultado y el efecto del fármaco al mismo tiempo, lo que puede resultar confuso.
La nueva forma (el $\tau$ -learner): ShrinkageTrees divide el trabajo en dos detectives especializados:
1. El Detective Pronóstico: Predice cómo le iría al paciente independientemente del tratamiento (basándose en su edad, genes, etc.).
2. El Detective de Tratamiento: Predice el efecto adicional que tiene el fármaco.
  Al separar estos dos, el modelo puede decirte exactamente cuánto ayudó el fármaco, incluso si la salud subyacente del paciente era muy diferente a la de otros.

5. Lo que el artículo realmente demuestra

Los autores probaron esta herramienta en dos aspectos principales:

Datos Reales: Utilizaron un conjunto de datos de pacientes con cáncer de ovario con 1,000 lecturas genéticas. Demostraron que, mientras los métodos más antiguos se volvían "demasiado confiados" (ajustándose al ruido), el método ShrinkageTrees era más realista y proporcionaba mejores estimaciones de incertidumbre.
Datos Simulados: Crearon datos falsos donde conocían la "verdad". Probaron la herramienta cuando el número de genes era enorme (5,000 genes) pero el número de pacientes era pequeño. El método ShrinkageTrees (específicamente la versión de la Herradura) fue el único que se mantuvo preciso y no se confundió con la enorme cantidad de datos.

Resumen

ShrinkageTrees es un nuevo paquete de software que ayuda a los investigadores a analizar datos de supervivencia (tiempo hasta el evento) y preguntas causales (¿funcionó el tratamiento?). Utiliza un equipo de árboles de decisión, pero añade un filtro especial de "contracción" para ignorar los datos inútiles y centrarse solo en lo que importa. Es la primera herramienta de su tipo capaz de manejar cronogramas vagos (censura por intervalo) y separar los efectos del tratamiento de las características del paciente en entornos de alta dimensionalidad (donde tienes más variables que pacientes).

El artículo afirma que esta herramienta es más rápida, más precisa en escenarios de alto riesgo y proporciona una imagen más clara de la incertidumbre que los métodos anteriores.

Resumen Técnico de "ShrinkageTrees: Un paquete de R para ensambles de árboles bayesianos para el análisis de supervivencia y la inferencia causal"

Planteamiento del Problema
El análisis de supervivencia en entornos de alta dimensión ( $p \gg n$ ) enfrenta tres desafíos principales: (1) la compleja y desconocida relación entre las covariables y los resultados de tiempo hasta el evento, que requiere modelos no paramétricos flexibles; (2) la prevalencia de observaciones imprecisas, específicamente datos censurados por la derecha e intervalos censurados; y (3) la dificultad de estimar efectos de tratamiento causales bajo censura y confusión, particularmente cuando los efectos del tratamiento varían entre subgrupos. Las implementaciones existentes de Árboles de Regresión Aditiva Bayesiana (BART) no logran abordar los tres simultáneamente. Específicamente, ningún paquete de R ofrece actualmente ensambles de árboles bayesianos para resultados con censura por intervalos, la arquitectura del $\tau$ -learner (que separa los efectos pronósticos y de tratamiento) no se ha implementado para endpoints de tiempo hasta el evento, y la regularización estándar de BART suele ser inadecuada para entornos genómicos de alta dimensión donde el sobreajuste es un riesgo.

Metodología
El artículo presenta ShrinkageTrees, un paquete de R que implementa ensambles de árboles bayesianos dentro de un marco de Tiempo de Fallo Acelerado (AFT). El modelo central extiende la formulación estándar de BART:
$\log T_i = \sum_{j=1}^m g(x_i; T_j, H_j) + \epsilon_i, \quad \epsilon_i \sim N(0, \sigma^2)$
donde $T_i$ es el tiempo del evento, $x_i$ son las covariables, y la suma representa un ensamble de $m$ árboles de decisión poco profundos. El paquete maneja datos censurados por la derecha y por intervalos mediante la aumentación de datos en un muestreador de Gibbs.

La metodología distingue entre dos tipos de regularización, ambos implementados y combinables:

Regularización de la Estructura del Árbol: Para fomentar la división en un subconjunto de variables relevantes, el paquete implementa la prior de división de Dirichlet (DART). Esta coloca una prior de Dirichlet sobre las probabilidades de división, induciendo escasez estructural.
Regularización de la Altura del Paso: Para contraer las hojas no informativas hacia cero mientras se preservan las señales fuertes, el paquete implementa prior de contracción global-local sobre los valores de las hojas ( $H_j$ ). El artículo destaca el Bosque de Herradura (Horseshoe Forest), que coloca una prior de herradura sobre las alturas de los pasos. Este utiliza una representación de mezcla de normales con un parámetro de contracción global ( $\tau$ ) y parámetros de escala locales ( $\lambda_\ell$ ). La prior de herradura permite una contracción adaptativa, manejando eficazmente el régimen de $p \gg n$ .

Para la inferencia causal, el paquete implementa el $\tau$ -learner (Bosques Causales Bayesianos) adaptado para resultados de supervivencia. Este descompone el resultado en una función pronóstica $\mu(x, \hat{e}(x))$ y una función de efecto de tratamiento $\tau(x)$ , modeladas por bosques separados. Esto permite una regularización y control de complejidad distintos para los componentes pronósticos y causales.

Contribuciones Clave

Primera implementación de Bosques de Herradura para Supervivencia: El paquete proporciona la primera implementación del Bosque de Herradura, colocando una prior de herradura sobre las alturas de los pasos para permitir el análisis de supervivencia de alta dimensión.
Soporte para Censura por Intervalos: Es el primer paquete de R que proporciona ensambles de árboles bayesianos para resultados de supervivencia con censura por intervalos.
Inferencia Causal para Supervivencia: Implementa el $\tau$ -learner para endpoints de tiempo hasta el evento, permitiendo la estimación de efectos de tratamiento heterogéneos (CATE) y efectos de tratamiento promedio (ATE) en contextos de supervivencia.
Regularización Flexible: Ofrece un marco modular donde los usuarios pueden combinar la regularización estructural (división de Dirichlet) con la regularización de altura de paso (Herradura, Cauchy de media mitad o Normal estándar).
Implementación de Software: El paquete cuenta con un backend eficiente en C++ vía Rcpp, soporta MCMC de múltiples cadenas y proporciona un flujo de trabajo S3 completo (ajuste, predicción, diagnóstico de convergencia vía coda y visualización).

Resultados
El artículo valida la metodología a través de un conjunto de datos de cáncer de ovario semi-sintético y un estudio de simulación:

Dataset de Ovario: En un entorno de alta dimensión ( $n=357, p=1004$ ), el BART estándar logró un C-índice de entrenamiento casi perfecto (0.989), lo que indica sobreajuste. En contraste, el Bosque de Herradura produjo un C-índice de entrenamiento menor (0.727) pero proporcionó una incertidumbre mejor calibrada. El análisis causal estimó un efecto de tratamiento promedio pequeño y no significativo para carboplatino vs. cisplatino, con intervalos creíbles estrechos.
Estudio de Simulación: Una simulación con verdad fundamental conocida y resultados censurados por intervalos comparó Standard BART, DART y Bosques de Herradura a través de dimensiones $p \in \{50, 500, 5000\}$ . El Bosque de Herradura alcanzó consistentemente el Error Cuadrático Medio (RMSE) más bajo, los intervalos creíbles más estrechos y tasas de cobertura del 95% casi nominales en todas las dimensiones. El BART estándar produjo intervalos excesivamente amplios (sobre-cobertura), mientras que DART tuvo sub-cobertura a medida que la dimensionalidad aumentaba.
Rendimiento Computacional: Los benchmarks muestran que, aunque los Bosques de Herradura son computacionalmente más costosos que los modelos de prior conjugada (debido al MCMC de salto reversible y al muestreo de escalas locales), escalan linealmente con el tamaño de la muestra y son comparables en velocidad a las implementaciones de BART existentes para modelos conjugados.

Significancia y Reivindicaciones
El artículo afirma que ShrinkageTrees aborda brechas críticas en la literatura existente de ensambles de árboles bayesianos al unificar el análisis de supervivencia, la inferencia causal y la regularización de alta dimensión. Posiciona al paquete como una herramienta que extiende los ensambles de árboles bayesianos a entornos de alta dimensión donde el BART estándar falla en adaptarse. Los autores enfatizan que el paquete es el primero en ofrecer el $\tau$ -learner para endpoints de supervivencia y el primero en implementar Bosques de Herradura para este propósito. El trabajo se presenta como una implementación práctica de la metodología desarrollada por Jacobs et al. (2025), dirigida tanto a profesionales nuevos en los ensambles de árboles bayesianos como a usuarios experimentados que requieren funcionalidades no disponibles en paquetes existentes como BART, dbarts o bcf. Los autores señalan modestamente limitaciones, como el requisito de covariables numéricas (que requiere codificación dummy para categorías no ordenadas) y la suposición de errores distribuidos normalmente en el marco AFT.

ShrinkageTrees: An R Package for Bayesian Tree Ensembles for Survival Analysis and Causal Inference