Dynamic Prediction of Alternating Recurrent Events via Neural Network

Sintesi Tecnica: Predizione Dinamica di Eventi Ricorrenti Alternati tramite Reti Neurali

Definizione del Problema
Gli eventi ricorrenti alternati — esiti in cui un evento primario (ad es., ospedalizzazione, episodio depressivo) innesca un periodo secondario di refrattarietà durante il quale l'individuo non è a rischio per l'evento primario — si verificano frequentemente nella biostatistica, nelle scienze comportamentali e nella giustizia penale. L'analisi di questi eventi presenta sfide statistiche uniche: i due tipi di eventi sono mutuamente esclusivi, creando rischi competitivi; le osservazioni sono correlate; e i dati sono soggetti a censura. Gli approcci tradizionali si affidano spesso a processi di Markov basati sullo stato o a modelli di intensità semi-parametrici (ad es., estensioni basate su Cox). Tuttavia, questi metodi spesso faticano con il problema del "tempo di intervallo dipendente" (dependent gap-time) o richiedono che gli analisti specifichino relazioni parametriche tra covariate ed esiti. Inoltre, gli strumenti di predizione dinamica esistenti per gli eventi ricorrenti raramente affrontano la predizione "online" o in tempo reale, in cui il profilo di rischio di un individuo viene aggiornato continuamente sulla base della nuova esperienza osservata, in particolare per strutture di eventi alternati.

Metodologia
Gli autori propongono un framework di predizione dinamica online che combina le pseudo-osservazioni con il deep learning per predire il tempo fino al prossimo evento ricorrente alternato primario su una finestra di follow-up fissata ($\tau$). La metodologia procede attraverso quattro fasi chiave:

1. Trasformazione dei Dati: Seguendo l'approccio di Tayob e Murray (2015), gli autori trasformano la cronologia degli eventi ricorrenti alternati in un dataset longitudinale censurato. Ai tempi di controllo prestabiliti $t$, i dati vengono ristrutturati per identificare il tempo al primo evento osservato dopo $t$. Fondamentalmente, questa struttura tiene conto dello stato di "a rischio" ($R_i(t)$); i soggetti attualmente in un periodo refrattario (secondario) sono contrassegnati come non a rischio per l'evento primario, rendendo il loro tempo dell'evento primario non osservabile in quel momento.
2. Pseudo-Osservazioni: Per gestire la censura indipendente, gli autori costruiscono pseudo-osservazioni per il tempo medio di sopravvivenza limitato a $\tau$, $E[\min\{T_i(t), \tau\}]$. Utilizzando una metodologia jack-knife (Andersen et al., 2003), queste pseudo-osservazioni sostituiscono l'esito di sopravvivenza censurato, consentendo la modellazione basata sulla regressione.
3. Inverse Probability Weighting (IPW): Per correggere il bias introdotto dalla selezione non casuale dei soggetti nel set "a rischio" (a causa della natura alternata degli eventi), il framework impiega pesi di probabilità inversa. La probabilità di essere a rischio, $P(R_i(t)=1 | \bar{Z}_i(t))$, è stimata utilizzando o una rete Long Short-Term Memory (LSTM) o un Random Forest longitudinale. Questi pesi sono incorporati nella funzione di perdita del modello di predizione.
4. Modelli di Predizione: Sono proposti due modelli di predizione dinamica:
   • Modello basato su LSTM: Un'architettura di rete neurale che utilizza LSTM per modellare le pseudo-osservazioni. Questo approccio sfrutta i meccanismi di gating per incorporare i dati storici delle covariate e gestisce relazioni complesse e non lineari senza pre-specificare forme funzionali.
   • Modello Semi-parametrico Pesato: Un approccio di Equazioni di Stima Generalizzata (GEE) che adatta un modello lineare alle pseudo-osservazioni pesate. Questo funge da benchmark semi-parametrico per l'interpretabilità.

Contributi Chiave

• Framework Novello: Questo è il primo modello di predizione dinamica proposto specificamente per eventi ricorrenti alternati in un contesto online.
• Integrazione di ML e Statistica: Il lavoro colma il divario tra l'analisi della sopravvivenza statistica e il moderno machine learning adattando le architetture LSTM per dati longitudinali censurati tramite pseudo-osservazioni e IPW.
• Gestione dei Periodi Refrattari: Il metodo affronta esplicitamente lo stato di "a rischio", garantendo che le predizioni per l'evento primario non siano influenzate dal tempo trascorso nello stato secondario (refrattario).
• Confronto delle Strategie di Pesatura: Lo studio valuta se l'uso di LSTM o Random Forest sia superiore per stimare i pesi di probabilità inversa necessari per de-biassare i modelli di predizione.

Risultati
I metodi proposti sono stati valutati attraverso studi di simulazione e un'applicazione ai dati dell'Intern Health Study (IHS), predendo i periodi di umore basso per i medici specializzandi del primo anno.

• Simulazione: In scenari con relazioni complesse tra covariate e tempi di intervallo correlati, il modello di predizione dinamica basato su LSTM ha dimostrato prestazioni superiori rispetto ai modelli GEE semi-parametrici (sia "Oracle" che "Main Effects") in termini di C-statistica (discriminazione) e Root Error Sum of Squares (RESS), in particolare man mano che i dati storici si accumulavano. Sebbene l'LSTM abbia mostrato un bias leggermente superiore in alcuni contesti (un classico compromesso bias-varianza), la sua capacità di discriminazione predittiva è stata eccezionale, superando spesso il modello oracle semi-parametrico. Sia l'LSTM che il Random Forest hanno ottenuto risultati simili quando utilizzati per stimare i pesi di probabilità inversa richiesti per de-biassare i modelli di predizione.
• Applicazione (IHS): Applicato a dati reali, il modello LSTM ha raggiunto una C-statistica massima di circa 0,97, superando significativamente il modello GEE Main Effects (C-statistica massima ~0,82). Il modello LSTM che utilizza pesi derivati da LSTM ha prodotto il RESS più basso dopo i primi 300 giorni di follow-up.

Significatività e Rivendicazioni
Gli autori affermano che il loro framework fornisce uno strumento robusto per il processo decisionale clinico in tempo reale, specificamente per identificare momenti opportuni per l'intervento (ad es., prompt tramite app mobili per i medici specializzandi). La significatività del lavoro risiede nella sua capacità di sfruttare il potere predittivo del deep learning (specificamente le LSTM) mantenendo al contempo il rigore statistico attraverso pseudo-osservazioni e pesatura della probabilità inversa per gestire la censura e le strutture di eventi alternati.

Il documento riconosce con modestia che, sebbene l'approccio LSTM offra una precisione predittiva superiore, esso opera come una "scatola nera" rispetto all'approccio GEE semi-parametrico. La mancanza di stime parametriche interpretabili nel modello di rete neurale significa che la specifica forma funzionale di come le covariate storiche influenzano l'esito rimane opaca, nonostante l'uso di embedding. Gli autori sottolineano che il successo dell'LSTM dipende fortemente da una attenta selezione degli iperparametri e dalla disponibilità di una sufficiente storia longitudinale, notando che il metodo non è robusto rispetto a scelte casuali di iperparametri. Concludono che, mentre i metodi di machine learning eccellono nella predizione, il campo è ancora in ritardo nel fornire le prove statistiche teoriche (coerenza, identificabilità) che sottendono ai metodi statistici tradizionali.