📊 statistics

The super learner for time-to-event outcomes: A tutorial

Questo articolo fornisce un tutorial pratico e accessibile sui metodi del super learner per l'analisi di dati di sopravvivenza censurati, illustrando tre diverse implementazioni, confrontandone le proprietà e fornendo codice R e un esempio applicativo.

Autori originali: Ruth H. Keogh, Karla Diaz-Ordaz, Nan van Geloven, Jon Michael Gran, Kamaryn T. Tanner

Pubblicato 2026-02-20

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Ruth H. Keogh, Karla Diaz-Ordaz, Nan van Geloven, Jon Michael Gran, Kamaryn T. Tanner

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un medico o un assicuratore che deve rispondere a una domanda molto difficile: "Quanto tempo sopravviverà questo paziente (o quanto tempo durerà questa macchina) prima che accada un evento specifico, come una ricaduta o un guasto?"

Il problema è che non possiamo aspettare la fine della storia per saperlo. Alcuni pazienti smettono di essere seguiti prima di morire (si spostano, si perdono di vista), altri muoiono per cause diverse. In statistica, questo si chiama censura. È come se un libro fosse strappato a metà: sappiamo la trama fino a un certo punto, ma non sappiamo come finisce.

Per fare previsioni accurate, gli statistici hanno a disposizione molti "modelli" (ricette matematiche diverse): alcuni sono semplici e classici (come la regressione di Cox), altri sono complessi e moderni (come le foreste casuali o l'intelligenza artificiale). Ma il dilemma è: quale ricetta è la migliore? Non lo sappiamo in anticipo.

Qui entra in gioco il Super Learner, il protagonista di questo articolo.

L'Analogia del "Comitato di Esperti"

Immagina di dover prevedere il meteo per il prossimo anno. Invece di fidarti di un solo meteorologo, riunisci un comitato di 20 esperti:

Uno che guarda solo le nuvole (modello A).
Uno che usa un supercomputer (modello B).
Uno che guarda la storia del passato (modello C).
Un'intelligenza artificiale (modello D).

Ognuno fa la sua previsione. Il Super Learner è il "capo comitato" intelligente che:

Chiede a tutti di fare una previsione su un periodo di prova (usando tecniche speciali chiamate cross-validation, come un esame a sorpresa).
Guarda chi ha sbagliato meno.
Decide se fidarsi solo del migliore (es. "Oggi ascolto solo l'IA") oppure se creare una sintesi perfetta (es. "Ascolto il 40% dell'IA, il 30% del meteorologo classico e il 30% dell'esperto di nuvole").

Il risultato è una previsione che è garantita essere almeno buona quanto il miglior esperto del gruppo, e spesso molto meglio.

Il Problema del Tempo (Discreto vs Continuo)

Il documento spiega che, quando si tratta di "tempo fino all'evento" (come la sopravvivenza), ci sono tre modi principali per costruire questo "Comitato di Esperti":

1. Il Metodo "A Scatti" (Discrete-Time)

Immagina di guardare un film e fermarlo ogni minuto per chiedere: "È successo qualcosa in questo minuto?".

Come funziona: Si divide il tempo in piccoli blocchi (giorni, mesi). Per ogni blocco, si chiede al paziente: "Hai avuto l'evento oggi?".
Pro: È molto flessibile. Puoi usare qualsiasi tipo di modello, anche quelli fatti per domande "Sì/No".
Contro: È un po' grezzo. Se l'evento è successo alle 14:03, ma il tuo blocco è "14:00-15:00", perdi un po' di precisione. È come misurare la temperatura solo ogni ora invece che ogni secondo.

2. Il Metodo "Fluido" (Continuous-Time) - Versione Westling

Immagina di guardare il film in streaming, senza fermarlo mai.

Come funziona: Si guarda il tempo in modo continuo, minuto per minuto, secondo per secondo.
Pro: Usa tutte le informazioni disponibili. È come avere una mappa ad alta risoluzione invece di una mappa pixelosa.
Sfida: È più difficile da calcolare perché bisogna gestire matematicamente il fatto che alcuni pazienti "spariscono" (censura) in momenti diversi. Questo metodo usa un trucco intelligente: fa fare al comitato anche la previsione di quando i pazienti potrebbero sparire, per correggere le stime.

3. Il Metodo "Stati di Essere" (Joint Survival) - Versione Munch & Gerds

Immagina di classificare i pazienti in tre stati possibili in ogni istante:

Vivo e ben (Stato 0).
Morto per l'evento (Stato 1).
Sparito/Perduto (Stato -1).

Come funziona: Invece di prevedere solo "quando muore", il modello impara a prevedere la probabilità di essere in uno di questi tre stati in ogni momento.
Pro: È molto robusto e gestisce bene situazioni complesse (come quando ci sono diverse cause di morte). È come un sistema di allerta che monitora costantemente lo stato di salute.

Cosa hanno scoperto gli autori?

Gli autori hanno preso un database reale di pazienti con tumore al seno (i dati di Rotterdam) e hanno messo alla prova questi tre metodi.

Il verdetto: I metodi "Fluidi" (Continuous-Time) hanno funzionato meglio di quello "A Scatti". Hanno fatto previsioni più precise.
La sorpresa: Spesso, il "Comitato di Esperti" (Super Learner) sceglieva di affidarsi quasi completamente a un solo modello molto potente (la Random Survival Forest, un tipo di intelligenza artificiale), ignorando gli altri. Ma il fatto che il Super Learner abbia scelto quello modello è la parte importante: ha dimostrato che sapeva identificare il migliore senza che noi lo dicessimo a priori.
Il consiglio: Usare un mix di modelli diversi (alcuni semplici, alcuni complessi) è la strategia vincente. Più sono diversi tra loro, meglio è.

In sintesi per tutti

Questo articolo è una guida pratica per chi vuole usare l'intelligenza artificiale e la statistica moderna per prevedere la sopravvivenza dei pazienti.

Dice sostanzialmente: "Non scegliere a caso un solo modello matematico. Crea un team di modelli diversi, falli competere su dati di prova, e lascia che un algoritmo intelligente decida come combinarli. Se lo fai, otterrai previsioni migliori, più affidabili e più robuste, sia che tu usi un approccio 'a scatti' o 'fluido'."

È come passare dal chiedere a un solo amico "Cosa ne pensi?" a consultare un consiglio di esperti, confrontare le loro opinioni e trovare la soluzione migliore per te.

Titolo: Il Super Learner per esiti di tempo fino all'evento: Un tutorial tecnico

1. Il Problema

La stima dei rischi o delle probabilità di sopravvivenza condizionati alle caratteristiche individuali, basata su dati di tempo fino all'evento (time-to-event) soggetti a censura, è un compito fondamentale nella statistica medica e nella ricerca clinica. Questo processo è necessario sia per lo sviluppo di modelli predittivi che come passo intermedio in procedure di inferenza causale (es. stime di effetti di trattamento).

Le sfide principali includono:

Incertezza del modello: È impossibile sapere a priori quale modello tra un insieme di candidati (parametrici, semi-parametrici o machine learning) fornirà le migliori stime.
Censura: I dati sono spesso soggetti a censura a destra, richiedendo metodi di analisi specifici.
Scelta ad hoc: La selezione del modello migliore viene spesso effettuata in modo ad hoc confrontando le prestazioni predittive, un approccio che manca di rigore teorico.
Barriera tecnica: Sebbene esistano metodi "Super Learner" (SL) per esiti continui o binari, le implementazioni per dati di sopravvivenza sono descritte in letteratura tecnica, frammentata e poco accessibile, rendendo difficile la loro applicazione pratica.

2. Metodologia

Il paper fornisce una panoramica pratica del Super Learner (SL), un algoritmo di "stacking" che combina un insieme predefinito di modelli candidati (la "libreria") per trovare la migliore combinazione o il singolo modello migliore. Il SL gode della proprietà "oracolo": garantisce di performare almeno quanto il miglior modello singolo presente nella libreria.

Il documento descrive tre specifiche implementazioni per dati di tempo fino all'evento:

A. Super Learner a Tempo Discreto (Polley & van der Laan, 2011)

Concetto: Trasforma il problema di sopravvivenza in una serie di problemi binari discretizzando il tempo in intervalli (es. $[t, t+1)$ ).
Funzionamento: Per ogni individuo, si crea un dataset "lungo" con una riga per ogni intervallo di tempo a rischio. L'outcome diventa l'indicatore di evento in quel periodo.
Modelli: Utilizza qualsiasi metodo per esiti binari (logistica, random forest, GAM, ecc.) per stimare il rischio istantaneo discreto.
Funzione di Perdita: Può utilizzare la perdita quadratica ( $L_2$ ), la log-verosimiglianza ( $L_{loglik}$ ) o una versione pesata per la censura (IPCW) basata sul punteggio di Brier.
Limiti: Richiede la discretizzazione del tempo, il che può portare a una modellazione flessibile dell'hazard di base difficile e a sfide computazionali se gli intervalli sono molti.

B. Super Learner a Tempo Continuo: Westling et al. (2023)

Concetto: Opera direttamente nel tempo continuo senza discretizzazione.
Funzionamento: Stima l'intera distribuzione di sopravvivenza condizionata $S(t|X)$ . Utilizza una griglia temporale fine per approssimare integrali necessari al calcolo della funzione di perdita.
Funzione di Perdita: Utilizza un punteggio di Brier integrato pesato ( $L_{S,G}$ ) che richiede la stima della distribuzione di censura $G(t|X)$ .
Approccio Iterativo: Propone un metodo iterativo per stimare simultaneamente sia la distribuzione di sopravvivenza che quella di censura utilizzando un SL per entrambe, aggiornando i pesi fino alla convergenza.
Vantaggi: Sfrutta appieno le informazioni temporali e permette una stima flessibile della censura.

C. Joint Survival Super Learner: Munch & Gerds (2025)

Concetto: Un approccio "non-ensemble" (seleziona il miglior modello singolo, non combina) basato sulle probabilità di occupazione degli stati.
Funzionamento: Considera tre stati: non censurato/senza evento, evento osservato, censurato. Stima gli hazard cumulativi per l'evento e per la censura.
Funzione di Perdita: Utilizza un punteggio di Brier integrato su tutti e tre gli stati. Non richiede pesi per la censura perché lo stato osservato è noto per tutti i tempi.
Vantaggi: Estendibile naturalmente a scenari con eventi competitivi.

Procedura Generale del Super Learner:

Cross-Validation (CV): I dati vengono divisi in $K$ fold.
Addestramento: Ogni modello candidato viene addestrato sui dati di training ( $K-1$ fold) e predetto sul fold di validazione.
Stima della Perdita: Si calcola la perdita media (rischio CV) per ogni modello.
Ensemble:
- Discreto/Ensemble: Si risolve una regressione vincolata (minimi quadrati non negativi con somma dei coefficienti = 1) per trovare i pesi ottimali che minimizzano la perdita.
- Non-Ensemble: Si seleziona il singolo modello con la perdita minima.
Predizione Finale: I modelli candidati con pesi non nulli vengono ri-addestrati sull'intero dataset e combinati con i pesi stimati.

3. Risultati

L'applicazione pratica è stata condotta sul dataset "Rotterdam" (cancro al seno), dividendo i dati in set di addestramento (70%) e test (30%).

Prestazioni dei singoli modelli: Il Random Survival Forest ha mostrato le prestazioni migliori tra i modelli singoli, superando la regressione di Cox standard.
Tempo Discreto vs. Continuo:
- Le versioni a tempo continuo (Westling et al. e Munch & Gerds) hanno mostrato prestazioni superiori rispetto alle versioni a tempo discreto, specialmente in termini di punteggio di Brier (errore globale).
- La discretizzazione del tempo in molti intervalli (100 periodi) ha peggiorato le prestazioni rispetto a una discretizzazione più grossolana (10 periodi), probabilmente a causa di una cattiva modellazione dell'hazard di base.
Ensemble vs. Non-Ensemble:
- Il Joint Survival SL (Munch & Gerds) ha selezionato il Random Survival Forest come miglior modello, ottenendo risultati identici all'uso del modello singolo.
- Il Continuous-time Ensemble SL (Westling et al.) ha ottenuto prestazioni quasi identiche al miglior modello singolo, dimostrando l'efficacia della combinazione.
Complessità dei modelli: L'uso di un set più ricco di candidati (inclusi GAM, XGBoost, modelli parametrici) ha migliorato leggermente le prestazioni, confermando che la diversità dei modelli nella libreria è benefica.

4. Contributi Chiave

Tutorial Accessibile: Il paper colma un gap nella letteratura fornendo una guida pratica e dettagliata su come implementare il Super Learner per dati di sopravvivenza, rendendo accessibili metodi altrimenti tecnici.
Confronto Diretto: Offre un confronto sistematico tra le tre principali implementazioni (discreta, continua-ensemble, continua-non-ensemble), evidenziando pro e contro di ciascuna.
Riproducibilità: Fornisce codice R completo (disponibile su GitHub) che include sia l'uso dei pacchetti esistenti (SuperLearner, survSuperLearner, jossl) sia implementazioni "manuali" ("by-hand") per chiarire i passaggi algoritmici.
Guida all'Implementazione: Discute le scelte pratiche, come la discretizzazione del tempo, la selezione delle funzioni di perdita e la gestione della distribuzione di censura.

5. Significato e Implicazioni

Flessibilità Predittiva: Il Super Learner permette di integrare modelli statistici classici (Cox, Weibull) con algoritmi di machine learning complessi (Random Forest, XGBoost), superando i limiti delle assunzioni parametriche.
Inferenza Causale: Oltre alla predizione, il SL è uno strumento cruciale per l'inferenza causale (es. Targeted Maximum Likelihood Estimation - TMLE), dove è necessario stimare modelli di "nuisance" (sopravvivenza e censura) in modo flessibile per ottenere stime robuste degli effetti causali.
Gestione della Censura: Le versioni a tempo continuo offrono un approccio più elegante alla gestione della censura rispetto alle versioni discrete, permettendo una stima flessibile della distribuzione di censura stessa all'interno del processo di apprendimento.
Scelta del Metodo: Il paper suggerisce che, sebbene il metodo discreto sia utile per sfruttare librerie di modelli binari, le implementazioni a tempo continuo sono generalmente preferibili per la loro accuratezza e capacità di modellazione fine, specialmente quando si dispone di dati continui di alta qualità.

In sintesi, il paper stabilisce un nuovo standard per l'uso del Super Learner nella sopravvivenza, fornendo agli analisti gli strumenti teorici e pratici per costruire modelli predittivi robusti e ottimizzati per dati censurati.