Rethinking Individual Risk and Aggregation in Survival Analysis: A Latent Mechanism Framework

1. Il Problema: La Tensione Interpretativa nell'Analisi di Sopravvivenza

Il paper affronta una tensione interpretativa fondamentale e persistente nell'analisi di sopravvivenza, che non è stata sistematicamente chiarita nonostante il successo empirico del campo negli ultimi cinquant'anni.

• La Discrepanza Definitoria: Nella teoria classica, le funzioni di rischio (hazard) e di sopravvivenza sono definite rigorosamente come quantità a livello di popolazione. Descrivono i tassi di fallimento e le probabilità di sopravvivenza all'interno di coorti ipotetiche che condividono le stesse covariate osservate.
• L'Interpretazione Pratica: Tuttavia, nelle applicazioni (biomedicina, epidemiologia, machine learning), queste stesse quantità sono spesso interpretate come rappresentazioni del rischio individuale, dei processi biologici latenti o dell'incertezza sui risultati futuri di un singolo soggetto.
• La Radice del Problema: Questa confusione nasce dal fatto che i dati di sopravvivenza aggregano meccanismi di rischio eterogenei e non osservati. Esiste una mappatura "molti-a-uno" dai processi di rischio individuali alle quantità osservabili a livello di popolazione. Senza un quadro generativo esplicito che colleghi i meccanismi individuali ai dati aggregati, l'interpretazione dei modelli (specialmente quelli predittivi moderni) rimane ambigua e potenzialmente errata.

2. Metodologia: Il Framework del Rischio Latente

L'autore propone un framework basato sui meccanismi latenti per formalizzare esplicitamente la relazione tra rischio individuale e quantità di popolazione.

2.1 Il Meccanismo di Rischio Individuale ($\Theta$)

Il cuore del framework è l'introduzione di un meccanismo di rischio latente $\Theta$, definito come un elemento casuale astratto che genera la traiettoria di rischio di un individuo.

• Ogni realizzazione $\theta$ di $\Theta$ induce deterministicamente una funzione di rischio individuale $h_\theta(t)$ e una funzione di sopravvivenza $S_\theta(t)$.
• $\Theta$ rappresenta l'eterogeneità intrinseca degli individui, non osservabile direttamente.

2.2 Ruolo delle Covariate e Sufficienza del Meccanismo

Le covariate osservabili $X$ sono interpretate come informazioni parziali sul meccanismo latente $\Theta$, non come driver causali diretti che modificano il meccanismo stesso una volta fissato.

• Si assume la sufficienza del meccanismo: una volta fissato $\Theta = \theta$, la distribuzione del tempo di evento $T$ è completamente determinata. Le covariate $X$ aggiornano solo la distribuzione di probabilità su $\Theta$ (distribuzione condizionale $P(\Theta|X)$), ma non alterano la dinamica temporale di un individuo specifico.
• Questo porta alla relazione di indipendenza condizionale: $T \perp X | \Theta$.

2.3 Aggregazione e Quantità Osservabili

Le funzioni di sopravvivenza e di rischio osservabili a livello di popolazione (o di gruppo) emergono come medie di mistura sulle distribuzioni dei meccanismi latenti:

• La funzione di sopravvivenza di gruppo è la media delle curve di sopravvivenza individuali: $S(t|x) = E[S_\Theta(t) | X=x]$.
• Il rischio osservabile $h_{obs}(t|x)$ è una media pesata dai sopravvissuti delle traiettorie di rischio individuali, condizionata al fatto che l'individuo sia ancora a rischio al tempo $t$.
• Distinzione Cruciale: Il rischio osservabile $h_{obs}$ non è uguale alla media dei rischi individuali $\bar{h}(t|x) = E[h_\Theta(t)|X=x]$, a causa dell'eterogeneità non osservata e della selezione dinamica (survivor bias).

3. Contributi Chiave

Il paper apporta contributi concettuali e strutturali piuttosto che nuovi algoritmi di stima:

1. Formulazione Meccanica Esplicita: Distingue chiaramente tra i meccanismi di rischio a livello individuale (latenti) e le quantità di sopravvivenza a livello di popolazione (osservabili), risolvendo ambiguità interpretative di lunga data.
2. Teoria dell'Identificabilità Strutturale: Dimostra che la distribuzione condizionale dei meccanismi dati le covariate, $P(\Theta|X=x)$, è strutturalmente non identificabile dai dati di sopravvivenza, anche in scenari ideali (censimento completo, campioni infiniti).
3. Rinterpretazione Unificata dei Modelli Classici: Offre una lente comune per reinterpretare i modelli tradizionali (Cox, Frailty, AFT, Clustering) in base a come ciascuno di essi gestisce o vincola la distribuzione del meccanismo latente non identificabile.
4. Definizione dei Limiti Informativi: Stabilisce vincoli informativi espliciti per la modellazione, chiarendo cosa può e cosa non può essere inferito dai dati di sopravvivenza.

4. Risultati Principali

4.1 Non-Identificabilità Strutturale

Il teorema centrale (Teorema 3.2) stabilisce che, sotto un'assunzione di "ricchezza locale condizionale" (ovvero, che le covariate non determinino univocamente il meccanismo, lasciando spazio a variazioni individuali non nulle), la mappa dalle traiettorie di sopravvivenza individuali alla funzione di sopravvivenza di popolazione è non iniettiva.

• Implicazione: Esistono infinite distribuzioni condizionali distinte $P(\Theta|X=x)$ che producono esattamente la stessa funzione di sopravvivenza osservabile $S(t|x)$.
• Di conseguenza, le curve di sopravvivenza individuali e le traiettorie di rischio non possono essere univocamente recuperate dai dati di popolazione. La non-identificabilità non è un difetto del modello o della stima, ma una conseguenza inevitabile dell'aggregazione dei dati.

4.2 Riletura dei Modelli Classici

Il framework rivela come i modelli esistenti affrontino (o aggirino) questo problema di non-identificabilità imponendo assunzioni strutturali:

• Modello di Cox (Proporzionalità dei Rischi): Ignora il livello del meccanismo, modellando direttamente il rischio osservabile. Impone che il rapporto di rischio sia costante, il che restringe severamente la forma dell'eterogeneità latente ammissibile. Il rischio basale $h_0(t)$ è uno strumento statistico per il rischio osservabile, non un meccanismo biologico intrinseco.
• Modelli di Frailty: Ristrettano la distribuzione del meccanismo latente a una famiglia unidimensionale (un fattore di scala temporale invariante). Questo rende il problema trattabile ma non risolve la non-identificabilità; assume che l'eterogeneità sia solo una moltiplicazione del rischio, non una variazione di forma o tempistica.
• Modelli AFT (Accelerated Failure Time): Assumono che tutti i meccanismi derivino da un unico meccanismo di riferimento tramite trasformazioni di scala temporale. L'eterogeneità residua è confinata a un fattore di accelerazione/decelerazione.
• Clustering e Classi Latenti: Approssimano la distribuzione continua del meccanismo con una mistura discreta finita. Questo è un metodo di approssimazione per la rappresentazione dell'eterogeneità, non un metodo di identificazione di sottotipi unici.

5. Significato e Implicazioni

Il lavoro ha profonde implicazioni per la pratica statistica e la ricerca futura:

• Interpretazione dei Modelli: I rischi stimati dai modelli di sopravvivenza non devono essere interpretati come rischi individuali intrinseci, ma come medie di popolazione pesate dai sopravvissuti. Interpretarli come tali richiede assunzioni strutturali forti e spesso non dichiarate (es. che l'eterogeneità sia nulla o perfettamente catturata dalle covariate).
• Predizione vs. Inferenza: Nel contesto del machine learning, l'alta performance predittiva non garantisce che il modello abbia recuperato il meccanismo di rischio individuale sottostante. La predizione può basarsi su associazioni stabili a livello di popolazione senza che il meccanismo individuale sia identificabile.
• Sviluppo Metodologico Futuro: Invece di cercare regressioni sempre più flessibili per i rischi osservabili, l'innovazione dovrebbe concentrarsi su come vincolare, approssimare o interpretare la distribuzione del meccanismo latente in modo principiato, rendendo esplicite le assunzioni sull'eterogeneità residua.
• Conclusione Filosofica: L'analisi di sopravvivenza deve accettare i suoi limiti informativi. Il framework fornisce un linguaggio coerente per discutere di eterogeneità, identificabilità e interpretazione, allineando la pratica applicata con la struttura informativa intrinseca dei dati di sopravvivenza.

In sintesi, il paper smantella l'illusione che i dati di sopravvivenza possano rivelare direttamente i meccanismi di rischio individuali, proponendo invece un quadro teorico rigoroso che tratta l'eterogeneità come una struttura latente non identificabile, la quale deve essere gestita attraverso assunzioni modellistiche esplicite.