Neural Networks for net survival estimation and prediction

Resumen Técnico: Redes Neuronales para la Estimación y Predicción de la Supervivencia Neta

Planteamiento del Problema
La supervivencia neta es una métrica crítica en oncología, que representa la probabilidad de supervivencia en un mundo contrafáctico donde el cáncer es la única causa posible de muerte. Esta métrica permite la comparación de la mortalidad relacionada con el cáncer entre poblaciones con diferentes esperanzas de vida. Si bien los estimadores no paramétricos como el estimador de Pohar-Perme (PP) son insesgados, están limitados a análisis estratificados, lo que requiere grandes tamaños de muestra para mantener la potencia estadística al ajustar múltiples covariables. Por el contrario, las regresiones de exceso de riesgo paramétricas y semiparamétricas (por ejemplo, modelos basados en splines) ofrecen flexibilidad, pero dependen de supuestos como la proporcionalidad de riesgos (PH) y la log-linealidad. Las violaciones de estos supuestos, o la omisión de interacciones importantes, pueden conducir a una especificación errónea del modelo y a estimaciones sesgadas. La práctica actual suele implicar una estratificación compleja para evitar estas violaciones, lo que reduce el tamaño de muestra efectivo para cada análisis.

Metodología
Los autores proponen un enfoque de aprendizaje automático basado en la Red Neuronal Artificial de Logística Parcial (PLANN, por sus siglas en inglés), desarrollada originalmente para la predicación de la supervivencia global, adaptada aquí para la estimación y predicción de la supervivencia neta.

• Adaptación de PLANN: El método discretiza el tiempo en intervalos $\tau_l$. Modela la probabilidad condicional de muerte en un intervalo dada la supervivencia hasta el intervalo anterior utilizando una red neuronal con una capa oculta y una función de activación logística. Las entradas de la red incluyen intervalos de tiempo y variables explicativas ($Z_i$).
• Descomposición del Exceso de Riesgo: El modelo estima la supervivencia global ($\hat{S}_{oi}$) y deriva el riesgo global. El exceso de riesgo individual ($\hat{\lambda}_{ei}$) se calcula restando el riesgo de la población (derivado de tablas de vida basadas en edad, sexo y periodo) del riesgo global estimado.
• Cálculo de la Supervivencia Neta: La supervivencia neta individual se calcula integrando el exceso de riesgo. La supervivencia neta marginal se deriva ponderando las estimaciones individuales.
• Marco Comparativo: El estudio compara PLANN contra:
  1. Estimador PP No Paramétrico: El estándar de referencia.
  2. Regresiones de Exceso de Riesgo basadas en Splines: Modelos de Riesgos Proporcionales (PH) y de Riesgos No Proporcionales (NPH) utilizando splines cúbicos restringidos (RCS).
• Estrategia de Validación: El rendimiento se evaluó mediante extensas simulaciones (variando tamaños de muestra, supuestos de PH/NPH e interacciones) y una aplicación en el mundo real utilizando una cohorte de cáncer colorrectal de Eslovenia. Las métricas incluyeron sesgo, Error Cuadrático Medio (RMSE), Log-Verosimilitud y el Área Bajo la curva ROC neta (AUC). Los hiperparámetros para PLANN (nodos ocultos, decaimiento, intervalos de tiempo) se optimizaron mediante validación cruzada de 10 pliegues.

Contribuciones Clave

1. Adaptación Algorítmica: La adaptación exitosa de PLANN para la supervivencia neta, permitiendo la estimación de excesos de riesgo sin supuestos paramétricos estrictos respecto a la proporcionalidad de riesgos o la linealidad.
2. Desarrollo de Software: La introducción del paquete de R survivalPLANN, que facilita el entrenamiento del algoritmo, la validación cruzada y la predicción tanto de la supervivencia global como de la neta.
3. Evaluación Exhaustiva: Una comparación rigurosa que demuestra que las redes neuronales pueden capturar estructuras de datos complejas (riesgos no proporcionales e interacciones) que los modelos tradicionales basados en splines podrían omitir si no se especifican explícitamente.

Resultos

• Sesgo y Exactitud: En los estudios de simulación, PLANN produjo un sesgo bajo comparable tanto al estimador PP como a los modelos flexibles basados en splines, incluso bajo escenarios de riesgos no proporcionales e interacciones complejas donde los modelos PH estándar fallaron significativamente.
• Varianza y RMSE: Un hallazgo consistente en todas las simulaciones y en la aplicación al mundo real fue que PLANN exhibió valores de RMSE ligeramente superiores en comparación con los métodos basados en splines. Esto indica una mayor varianza en las estimaciones de la red neuronal.
• Sensibilidad al Tamaño de la Muestra: El problema de la varianza se exacerbó en tamaños de muestra más pequeños (por ejemplo, $n=500$). Mientras que los modelos basados en splines mantuvieron un rendimiento relativamente estable con datos reducidos, PLANN mostró un aumento más rápido en el RMSE y signos de sobreajuste (mayor AUC de entrenamiento que de validación) en cohortes más pequeñas.
• Aplicación en el Mundo Real: En el análisis de 5,971 pacientes eslovenos con cáncer colorrectal, las predicciones de PLANN coincidieron estrechamente con el estimador PP y a menudo estuvieron más cerca de la referencia que los modelos basados en splines, particularmente en subgrupos. Sin embargo, las predicciones de PLANN exhibieron intervalos de confianza más amplios.
• Discriminación: En la aplicación al mundo real, PLANN demostró una menor capacidad discriminativa (AUC) en comparación con los modelos basados en splines, un contraste con los resultados de la simulación donde los AUC fueron generalmente comparables.

Significancia y Reivindicaciones
El artículo afirma que PLANN representa una alternativa flexible para la estimación de la supervivencia neta, particularmente valiosa cuando la estructura de los datos es compleja (involucrando riesgos no proporcionales o interacciones) y cuando se busca evitar la pérdida de potencia asociada con los análisis estratificados. Los autores enfatizan que la capacidad de PLANN para relajar los supuestos de proporcionalidad de riesgos y log-linealidad es su principal ventaja.

Sin embargo, los autores mantienen una postura modesta respecto a las limitaciones del método. Establecen explícitamente que la mayor varianza de las estimaciones basadas en aprendizaje automático puede limitar su utilidad en estudios con tamaños de muestra reducidos en comparación con los enfoques tradicionales basados en modelos. El documento concluye que, si bien PLANN es efectivo para la estimación y la predicción, su aplicación debe sopesarse frente a las restricciones del tamaño de la muestra, y es particularmente adecuado para cohortes de alta definición con datos multimodales donde se esperan interacciones complejas que son difíciles de modelar paramétricamente. Los autores no afirman que PLANN supere a los métodos existentes en todos los contextos, sino que ofrece una herramienta complementaria para escenarios donde la especificación errónea del modelo es una preocupación primordial.