Sintesi Tecnica: Clustering Funzionale di Dati di Sopravvivenza tramite Traiettorie di Log-Hazard Smootizzate

1. Definizione del Problema

Il clustering dell'analisi della sopravvivenza è tradizionalmente dominato dal clustering a livello individuale, che raggruppa i soggetti in base ai tempi di sopravvivenza e alle covariate. Una prospettiva meno esplorata ma potenzialmente preziosa è il clustering a livello di curva, che mira a raggruppare curve di sopravvivenza aggregate (ad esempio, curve di Kaplan-Meier) per identificare tendenze più ampie tra coorti, ospedali o regioni.

I metodi esistenti basati sulle curve, come Survclustcurves, si affidano principalmente alle probabilità di sopravvivenza cumulativa e a matrici di dissimilarità basate sul log-rank. Gli autori sostengono che tali approcci presentino un limite critico: operano su informazioni cumulative, il che può oscurare le differenze nella tempistica, localizzazione e intensità del rischio istantaneo. Quando le curve di sopravvivenza si sovrappongono, si incrociano o convergono, i metodi basati sulle probabilità cumulative possono non distinguere coorti che esibiscono dinamiche di rischio sottostanti fondamentalmente diverse. Inoltre, le funzioni a scalini non parametriche standard (come Kaplan-Meier) sono matematicamente inadatte all'analisi dei dati funzionali (FDA) a causa della loro discontinuità e della sensibilità al rumore di discretizzazione.

2. Metodologia

Il documento propone un framework di Analisi dei Dati Funzionali (FDA) che sposta l'attenzione analitica dalle probabilità di sopravvivenza cumulativa alla funzione di hazard istantanea. La metodologia si articola nelle seguenti fasi:

A. Rappresentazione Funzionale delle Traiettorie di Log-Hazard

Invece di raggruppare le curve di sopravvivenza grezze, il metodo modella la funzione di log-hazard ($\log h(t)$).

• Razionale: La funzione di hazard cattura le dinamiche del rischio istantaneo (picchi, accelerazioni, punti di inflessione) che vengono spesso appiattite nelle curve di sopravvivenza cumulativa. La scala logaritmica garantisce la positività dopo la trasformazione inversa e permette uno smoothing non vincolato.
• Smoothing: Le stime empiriche del rischio sono instabili e rumorose. Gli autori applicano uno smoothing con B-spline per costruire traiettorie continue e differenziabili.
• Selezione dello Smoothing: I parametri di smoothing sono selezionati tramite una regola di Cross-Validazione Generalizzata (GCV). Fondamentalmente, gli autori non selezionano il minimo assoluto della GCV, ma scelgono uno smoothing entro una tolleranza del 20% ($\delta = 0,20$) rispetto al minimo. Tra questi candidati "equivalenti alla GCV", viene selezionato quello che massimizza la variabilità locale (media della derivata seconda quadratica integrata) per preservare le caratteristiche temporali interpretabili (ad esempio, picchi ritardati) che uno smoothing eccessivamente rigido potrebbe attenuare.

B. Analisi delle Componenti Principali Funzionali (FPCA)

Le traiettorie di log-hazard smootizzate vengono proiettate in uno spazio a bassa dimensionalità utilizzando la FPCA.

• Riduzione della Dimensionalità: Il numero di Componenti Principali Funzionali (FPC) mantenute, denotato con $M$, è determinato prima del clustering utilizzando una regola conservativa del 95% della varianza cumulativa spiegata ($CPV(M) \geq 0,95$). Ciò assicura che il clustering venga eseguito su una rappresentazione che conserva la struttura temporale principale delle dinamiche di rischio, piuttosto che ottimizzare la separazione dei cluster.
• Score: Il clustering viene eseguito sugli score FPCA non standardizzati. La standardizzazione viene evitata per preservare la struttura della varianza indotta dagli autovalori, impedendo che componenti a bassa varianza (potenzialmente rumorose) dominino la metrica di distanza.

C. Clustering nello Spazio degli Score

Algoritmi di clustering standard (K-means, K-medoids, clustering gerarchico di Ward) sono applicati agli score FPCA non standardizzati.

• Selezione del Cluster: Il numero ottimale di cluster ($K$) è selezionato dopo che la rappresentazione FPCA è stata fissata, utilizzando criteri di validità interna (ampiezza media del Silhouette width) e diagnostica di stabilità (bootstrap resampling).
• Interpretazione: Le distanze nello spazio degli score FPCA approssimano le dissimilarità tra le traiettorie di log-hazard. Di conseguenza, i cluster rappresentano gruppi con simili dinamiche di rischio temporali relative (pattern moltiplicativi dei rapporti di hazard) piuttosto che valori di hazard assoluti identici.

3. Contributi Chiave

1. Spostamento dell'Oggetto Analitico: Il paper ridefinisce l'oggetto del clustering dalle curve di sopravvivenza cumulativa alle traiettorie di log-hazard smootizzate, sostenendo che queste ultime codificano informazioni prognostiche più ricche riguardo alla tempistica e alle dinamiche del rischio.
2. Pipeline Funzionale Robusta: L'integrazione dello smoothing B-spline (con una regola GCV che preserva la flessibilità) e della FPCA fornisce una rappresentazione stabile e differenziabile delle funzioni di hazard, superando l'instabilità delle stime del rischio empirico grezzo.
3. Riduzione della Dimensionalità Conservativa: Fissando la troncatura della FPCA in base a una soglia di varianza del 95% indipendentemente dalle prestazioni del clustering, il metodo evita l'overfitting e assicura che il clustering rifletta la reale variabilità funzionale piuttosto che il rumore.
4. Distinzione dai Benchmark: Il framework contrasta esplicitamente con i benchmark basati sulla sopravvivenza cumulativa, dimostrando che i gruppi identificati dalle dinamiche di hazard possono differire significativamente dai gruppi identificati dal declino della sopravvivenza cumulativa.

4. Risultati

Studi di Simulazione

• Continuum di Complessità: Il metodo è stato testato su dati simulati con un crescente overlap tra i regimi latenti di log-hazard (da 0% a 50% di sovrapposizione).
  • Performance: K-means applicato agli score FPCA non standardizzati ha costantemente dimostrato il recupero più forte (Adjusted Rand Index, ARI), mantenendo un'elevata performance anche all'aumentare della sovrapposizione. Ha mostrato una degradazione più graduale rispetto ai benchmark che raggruppano coefficienti B-spline standardizzati o curve di sopravvivenza cumulativa.
  • Sensibilità: La performance di recupero è stata invariante attraverso le soglie di troncamento FPCA da 90% a 99%, confermando che la regola del 95% non crea artificialmente la struttura latente.
  • Robustezza agli Outlier: Nei test di stress con traiettorie outlier iniettate, la pipeline basata su FPCA è rimasta informativa, sebbene il numero di cluster selezionato e l'ARI abbiano variato in modo non monotono a seconda dell'interazione tra outlier e algoritmo di clustering.
• Caso di Studio: In uno scenario con tre distinti regimi di rischio temporale, l'approccio FPCA-log-hazard ha ottenuto un recupero perfetto (ARI = 1.000), mentre il benchmark della sopravvivenza cumulativa non è riuscito a recuperare i regimi localizzati nel tempo (ARI = 0,351), nonostante avesse un'alta coesione interna.

Applicazioni nel Mondo Reale

Il metodo è stato applicato a due dataset clinici: lo studio tedesco sul cancro al seno (GBCS) e il dataset della cirrosi biliare primaria (PBC).

• GBCS: Il metodo ha identificato una partizione a due cluster basata sull'interessamento dei linfonodi (basso vs alto). I cluster erano guidati da una differenza persistente nel livello di rischio di recidiva istantanea. La partizione ha mostrato una stabilità moderata (Jaccard medio $\approx$ 0,60).
• PBC: Il metodo ha identificato una partizione a due cluster che separava i profili con bilirubina/Stadio 4 rispetto a quelli con bilirubina/Stadio 2-3 inferiore. La separazione era guidata quasi interamente dalla prima FPC (93,4% della varianza), che rappresenta un contrasto globale del livello di rischio. La stabilità era moderata-bassa (Jaccello medio $\approx$ 0,56).
• Confronto: In entrambi i dataset, i benchmark della sopravvivenza cumulativa hanno talvolta prodotto valori di Silhouette più elevati. Gli autori chiariscono che questo non implica superiorità; piuttosto, indica che le curve cumulative ammettono partizioni coese basate sul declino accumulato, mentre il metodo proposto identifica partizioni basate sulle dinamiche di rischio istantaneo. Queste sono domande inferenziali distinte.

5. Significato e Rivendicazioni

Il paper sostiene che il framework proposto offre uno strumento complementare ai metodi esistenti di clustering della sopravvivenza, in particolare quando l'obiettivo scientifico è comprendere l'evoluzione temporale del rischio piuttosto che solo l'esito finale della sopravvivenza.

• Interpretabilità: Il metodo fornisce una rappresentazione interpretabile delle dinamiche di rischio temporali relative, dove i cluster sono definiti da pattern condivisi nella tempistica e nell'entità dei picchi di rischio.
• Robustezza: L'approccio è robusto alla complessità strutturale e ai log-hazard sovrapposti, superando i benchmark che si affidano alle probabilità cumulative o ai coefficienti spline grezzi.
• Modestia: Gli autori dichiarano esplicitamente che i risultati dai dati del mondo reale dovrebbero essere considerati come raggruppamenti funzionali esplorativi piuttosto che classificazioni cliniche definitive. Riconoscono limitazioni, tra cui la mancanza di una completa propagazione dell'incertezza dai dati a livello individuale all'analisi a livello di curva e la sensibilità dei risultati al numero di traiettorie aggregate disponibili.

In conclusione, il paper sostiene che modellando i dati di sopravvivenza come oggetti funzionali sulla scala del log-hazard, i ricercatori possono scoprire dinamiche di rischio latenti che sono geometricamente oscurate nelle analisi tradizionali della sopravvivenza cumulativa.