Dynamic Prediction of Alternating Recurrent Events via Neural Network

Resumen Técnico: Predicción Dinámica de Eventos Recurrentes Alternantes mediante Redes Neuronales

Planteamiento del Problema
Los eventos recurrentes alternantes —resultados donde un evento primario (p. ej., hospitalización, episodio depresivo) desencadena un periodo refractario secundario durante el cual el individuo no está en riesgo de sufrir el evento primario— ocurren con frecuencia en la bioestadística, las ciencias del comportamiento y la justicia penal. El análisis de estos eventos presenta desafíos estadísticos únicos: los dos tipos de eventos son mutuamente excluyentes, lo que crea riesgos competitivos; las observaciones están correlacionadas; y los datos están sujetos a censura. Los enfoques tradicionales suelen depender de procesos de Markov basados en estados o modelos de intensidad semiparamétricos (p. ej., extensiones basadas en Cox). Sin embargo, estos métodos a menudo tienen dificultades con el problema del "tiempo de brecha dependiente" o requieren que los analistas especifiquen relaciones paramétricas entre las covariables y los resultados. Además, las herramientas de predicción dinámica existentes para eventos recurrentes rara vez abordan la predicción "en línea" o en tiempo real, donde el perfil de riesgo de un individuo se actualiza continuamente basándose en la experiencia recién observada, particularmente para estructuras de eventos alternantes.

Metodología
Los autores proponen un marco de predicción dinámica en línea que combina pseudo-observaciones con aprendizaje profundo para predecir el tiempo hasta el próximo evento recurrente primario alternante sobre una ventana de seguimiento fija ($\tau$). La metodología procede a través de cuatro etapas clave:

1. Transformación de Datos: Siguiendo el enfoque de Tayob y Murray (2015), los autores transforman la cronología de eventos recurrentes alternantes en un conjunto de datos longitudinales censurados. En tiempos de control preestablecidos $t$, los datos se reestructuran para identificar el tiempo hasta el primer evento observado después de $t$. Crucialmente, esta estructura tiene en cuenta el estado de "en riesgo" ($R_i(t)$); los sujetos que se encuentran actualmente en un periodo refractario (secundario) se marcan como no aptos para el riesgo del evento primario, lo que hace que el tiempo de su evento primario no sea observable en ese momento.
2. Pseudo-observaciones: Para manejar la censura independiente, los autores construyen pseudo-observaciones para la media de supervivencia restringida por $\tau$, $E[\min\{T_i(t), \tau\}]$. Utilizando una metodología de jack-knife (Andersen et al., 2003), estas pseudo-observaciones reemplazan el resultado de supervivencia censurado, permitiendo así el modelado mediante regresión.
3. Ponderación por Probabilidad Inversa (IPW): Para corregir el sesgo introducido por la selección no aleatoria de sujetos en el conjunto "en riesgo" (debido a la naturaleza alternante de los eventos), el marco emplea pesos de probabilidad inversa. La probabilidad de estar en riesgo, $P(R_i(t)=1 | \bar{Z}_i(t))$, se estima utilizando una red de Memoria a Largo Plazo (LSTM) o un Bosque Aleatorio longitudinal. Estos pesos se incorporan en la función de pérdida del modelo de predicción.
4. Modelos de Predicción: Se proponen dos modelos de predicción dinámica:
   • Modelo basado en LSTM: Una arquitectura de red neuronal que utiliza LST_Ms para modelar las pseudo-observaciones. Este enfoque aprovecha los mecanismos de compuerta para incorporar datos de covariables históricos y maneja relaciones complejas y no lineales sin necesidad de preespecificar formas funcionales.
   • Modelo Semiparamétrico Ponderado: Un enfoque de Ecuaciones de Estimación Generalizadas (GEE) que ajusta un modelo lineal a las pseudo-observaciones ponderadas. Este sirve como un referente semiparamétrico que ofrece interpretabilidad.

Contribuciones Clave

• Marco Novedoso: Este es el primer modelo de predicción dinámica propuesto diseñado específicamente para eventos recurrentes alternantes en un entorno en línea.
• Integración de ML y Estadística: El artículo cierra la brecha entre el análisis de supervivencia estadística y el aprendizaje automático moderno al adaptar arquitectas LSTM para datos longitudinales censurados mediante el uso de pseudo-observaciones e IPW.
• Manejo de Periodos Refractarios: El método aborda explícitamente el estado de "en riesgo", asegurando que las predicciones para el evento primario no estén sesgadas por el tiempo pasado en el estado secundario (refractario).
• Comparación de Estrategias de Ponderación: El estudio evalúa si el LSTM o el Bosque Aleatorio es superior para estimar los pesos de probabilidad inversa necesarios para eliminar el sesgo de los modelos de predicción.

Resultados
Los métodos propuestos fueron evaluados mediante estudios de simulación y una aplicación a los datos del Intern Health Study (IHS), prediciendo periodos de bajo estado de ánimo para residentes médicos de primer año.

• Simulación: En escenarios con relaciones de covariables complejas y tiempos de brecha correlacionados, el modelo de predicción dinámica basado en LSTM demostró un rendimiento superior en comparación con los modelos GEE semiparamétricos (tanto "Oracle" como "Main Effects") en términos de la estadística C (discriminación) y la Raíz de la Suma de Errores Cuadráticos (RESS), particularmente a medida que se acumulaban los datos históricos. Aunque el LSTM mostró un sesgo ligeramente mayor en algunos entornos (un clásico compromiso entre sesgo y varianza), su capacidad de discriminación predictiva fue excepcional, superando a menudo al modelo oracle semiparamétrico. Tanto el LSTM como el Bosque Aleatorio funcionaron de manera similar cuando se utilizaron para estimar los pesos de probabilidad inversa requeridos para eliminar el sesgo de los modelos de predicción.
• Aplicación (IHS): Al aplicarse a datos del mundo real, el modelo LSTM alcanzó una estadística C máxima de aproximadamente 0.97, superando significativamente al modelo GEE de Efectos Principales (estadística C máxima ~0.82). El modelo LSTM utilizando pesos derivados de LSTM produjo el RESS más bajo después de los primeros 300 días de seguimiento.

Significancia y Reivindicaciones
Los autores afirman que su marco proporciona una herramienta robusta para la toma de decisiones clínicas en tiempo real, específicamente para identificar momentos oportunos para la intervención (p. ej., avisos en aplicaciones móviles para residentes médicos). La importancia del trabajo radica en su capacidad para aprovechar el poder predictivo del aprendizaje profundo (específicamente las LSTM) manteniendo al mismo tiempo el rigor estadístico mediante pseudo-observaciones y la ponderación por probabilidad inversa para manejar la censura y las estructuras de eventos alternantes.

El artículo reconoce modestamente que, si bien el enfoque LSTM ofrece una precisión predictiva superior, opera como una "caja negra" en comparación con el enfoque semiparamétrico GEE. La falta de estimaciones de parámetros interpretables en el modelo de red neuronal significa que la forma funcional específica de cómo la historia de las covariables influye en el resultado permanece opaca, a pesar del uso de embeddings. Los autores enfatizan que el éxito de la LSTM depende en gran medida de la selección cuidadosa de hiperparámetros y de la disponibilidad de suficiente historia longitudinal, señalando que el método no es robusto ante elecciones de hiperparámetros aleatorias. Concluyen que, mientras que los métodos de aprendizaje automático sobresalen en la predicción, el campo aún está rezagado en proporcionar las pruebas estadísticas teóricas (consistencia, identificabilidad) que sustentan a los métodos estadísticos tradicionales.