Semi-supervised Method for Risk Prediction with Doubly Censored EHR Data

Riepilogo Tecnico: Metodo Semi-supervisionato per la Predizione del Rischio con Dati EHR Doppia Censura

Enunciato del Problema
Il documento affronta la sfida di stimare gli effetti del rischio (coefficienti di regressione) nei dati delle Cartelle Cliniche Elettroniche (EHR) in cui i tempi di evento sono soggetti a doppia censura (sia sinistra che destra). In molti contesti clinici, l'effettivo tempo di esordio di una malattia può precedere la prima visita registrata (censura sinistra) o rimanere non osservato alla fine del follow-up (censura destra). Inoltre, ottenere tempi di evento "gold-standard" richiede spesso revisioni manuali delle cartelle cliniche laboriose, risultando in uno scenario in cui solo un piccolo sottoinsieme di pazienti (l'insieme etichettato) dispone di dati di esito accurati, mentre la stragrande maggioranza (l'insieme non etichettato) ne è priva.

Sebbene gli esiti surrogati (ad esempio, il tempo fino al primo codice diagnostico) siano disponibili per l'intera coorte, sono soggetti a errori di classificazione. Affidarsi esclusivamente al piccolo insieme etichettato comporta un'alta variabilità, mentre l'uso diretto di surrogati soggetti a errori introduce un bias. I metodi esistenti di apprendimento semi-supervisionato (SSL) sono efficaci per esiti binari o con censura destra, ma non gestiscono le complessità della doppia censura.

Metodologia
Gli autori propongono un nuovo framework di apprendimento semi-supervisionato (SSL) per la predizione del rischio in caso di doppia censura, utilizzando un modello di trasformazione lineare semiparametrico:
$$h(T) = -\beta'Z + \varepsilon$$
dove $T$ è il tempo di evento, $Z$ è un vettore di covariate, $h$ è una funzione crescente sconosciuta e $\varepsilon$ segue una distribuzione nota.

La procedura di stima prevede due fasi principali:

1. Stima Supervisionata: Un estimatore supervisionato ($\hat{\beta}_{SL}$) è derivato utilizzando solo i dati etichettati ($D_l$) tramite un approccio di massima verosimiglianza non parametrico che impiega un algoritmo di Massimizzazione della Speranza (Expectation-Maximization, EM) con variabili di Poisson indipendenti specifiche per il soggetto.
2. Augmentation (Arricchimento): L'estimatore supervisionato è arricchito utilizzando informazioni dal grande insieme non etichettato ($D_u$) contenente esiti surrogati ($T^*$). Gli autori assumono un modello di lavoro per il surrogato $T^*$ con parametri $\theta = (\gamma, \alpha)$. Vengono proposti due specifici modelli di lavoro:
   • Modello 1 (Stessa Struttura): Assume che $T^*$ segua lo stesso modello di trasformazione lineare semiparametrico di $T$ (Eq. 4).
   • Modello 2 (Struttura Flessibile): Assume un modello di trasformazione più flessibile in cui la distribuzione dell'errore è sconosciuta e potenzialmente correlata all'errore vero (Eq. 5). Questo modello utilizza una funzione di perdita convessa che combina un modello logistico per la probabilità di censura sinistra e un modello di Cox per la porzione con censura destra.

L'estimatore semi-supervisionato finale ($\hat{\beta}_{SSL}$) è costruito aggiustando $\hat{\beta}_{SL}$ con un termine proporzionale alla differenza tra l'estimatore del parametro surrogato $\gamma$ derivato dai dati combinati ($\bar{\gamma}$) e quello derivato dai dati etichettati ($\hat{\gamma}$). Viene proposto anche un estimatore combinato ($\hat{\beta}_{SSL3}$) impilando i termini di augmentation da entrambi i modelli di lavoro per massimizzare l'efficienza.

Contributi Chiave

• Novità Metodologica: Il documento colma una lacuna nella letteratura sviluppando metodi SSL specificamente per dati doppiamente censurati, uno scenario precedentemente non affrontato dai framework SSL esistenti.
• Validità Teorica: Gli autori stabiliscono le proprietà asintotiche degli stimatori proposti, dimostrando consistenza e normalità asintotica. Dimostrano che gli stimatori SSL sono più efficienti dell'estimatore supervisionato ($\hat{\beta}_{SL}$) indipendentemente dal fatto che i modelli di lavoro per il surrogato siano specificati correttamente.
• Guadagno di Efficienza: Si dimostra che l'estimatore combinato è almeno tanto efficiente quanto gli stimatori basati su singoli modelli di lavoro.
• Robustezza: Il framework è progettato per gestire l'alto tasso di mancata osservazione delle etichette vere (dove il tasso di mancata osservazione si avvicina a 1), rendendo inapplicabili i metodi standard per dati mancanti.

Risultati

• Studi di Simulazione: Simulazioni estese con dimensioni campionarie variabili e distribuzioni di errore (inclusi casi in cui il modello di lavoro è specificato in modo errato) mostrano che gli stimatori SSL proposti riducono significativamente l'errore standard rispetto ai metodi supervisionati. L'efficienza relativa (RE) degli stimatori SSL è variata da circa 1,35 a 1,52 rispetto all'estimatore supervisionato. L'estimatore combinato ($\hat{\beta}_{SSL3}$) ha costantemente raggiunto la massima efficienza.
• Applicazione su Dati Reali: Il metodo è stato applicato a dati EHR di un sistema sanitario statunitense per studiare i fattori di rischio per il Diabete di Tipo 2 (T2D). Il dataset includeva 115.236 pazienti, di cui solo 1.613 con tempi di esordio revisionati manualmente (etichettati). Gli stimatori SSL hanno prodotto errori standard sostanzialmente inferiori rispetto all'estimatore supervisionato, con efficienze relative che hanno raggiunto fino a 1,81. I risultati hanno confermato che un'età di iscrizione più elevata è associata a un esordio più tardivo del T2D, mentre il genere maschile e la razza non bianca sono associati a un rischio più elevato.

Significato e Affermazioni
Gli autori affermano che il loro metodo fornisce un modo principiato per integrare etichette gold-standard limitate con dati surrogati su larga scala in caso di doppia censura. Il significato principale risiede nel miglioramento sostanziale dell'efficienza di stima, che riduce la dipendenza da revisioni manuali delle cartelle cliniche costose e laboriose. Sfruttando i dati EHR non etichettati abbondanti, il metodo rende lo studio dei fattori di rischio delle malattie in contesti reali più fattibile e statisticamente robusto. Il documento nota con modestia che, sebbene il guadagno di efficienza dipenda dalla forza dell'associazione tra il surrogato e l'esito vero, il framework proposto rimane consistente anche in caso di specificazione errata del modello. Si suggerisce un lavoro futuro per estendere il framework per gestire la censura dipendente dalle covariate e meccanismi mancanti a caso (MAR).