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

Probleemstelling: De Interpretatiekloof tussen Populatie en Individu

De kern van dit artikel ligt in een fundamentele, maar vaak onopgeloste interpretatiekloof in de overlevingsanalyse (survival analysis).

• De Definitie: Traditioneel worden de hazardfunctie ($h(t)$) en de overlevingsfunctie ($S(t)$) wiskundig gedefinieerd als populatiegrootheden. Ze beschrijven faalpercentages en overlevingskansen binnen een hypothetische cohortgroep met dezelfde covariaten.
• De Praktijk: In toegepast werk (biomedisch onderzoek, epidemiologie, machine learning) worden deze grootheden echter vaak geïnterpreteerd als maatstaven voor individueel risico. Men spreekt over het "risico van een patiënt" of "biologische processen van een individu", terwijl de onderliggende data slechts geaggregeerde informatie bevatten.
• Het Conflict: Er ontbreekt een generatief kader dat de link legt tussen individuele risicomechanismen en de waargenomen overlevingsdata. De aggregatie van heterogene, onwaarneembare individuele mechanismen naar populatieniveau creëert een "veel-op-één" mapping. Dit betekent dat verschillende individuele risicoprofielen exact dezelfde populatie-overlevingscurve kunnen produceren, wat de identificatie van individuele mechanismen fundamenteel onmogelijk maakt zonder extra aannames.

Methodologie: Het Latente Hazard Framework

De auteur introduceert een nieuw analytisch kader dat expliciet onderscheid maakt tussen individuele mechanismen en geaggregeerde observaties.

1. Individueel Hazard Mechanisme ($\Theta$):

   • De basis van het model is een latente variabele $\Theta$, die het individuele risicogenererende mechanisme voorstelt.
   • Voor een specifieke realisatie $\theta$ is er een deterministische hazard-traject $h_\theta(t)$ en een bijbehorende overlevingsfunctie $S_\theta(t)$.
   • De variabiliteit tussen individuen wordt volledig gevangen door de verdeling van $\Theta$.

2. Observabele Informatie ($X$):

   • Covariaten $X$ worden niet gezien als causale drijvers die het mechanisme veranderen, maar als particiële informatie over $\Theta$.
   • Dit leidt tot een conditionele verdeling $P(\Theta|X=x)$, die de resterende heterogeniteit binnen een groep met dezelfde covariaten beschrijft.

3. Aggregatie naar Populatiegrootheden:

   • De populatie-overlevingsfunctie $S(t|x)$ is een mengsel (mixture) van individuele overlevingscurven:
     $$S(t|x) = E[S_\Theta(t) | X = x] = \int S_\theta(t) P(\Theta|X=x) d\theta$$
   • De waargenomen hazardfunctie $h_{obs}(t|x)$ is een survivor-gewogen gemiddelde van individuele hazards, niet het gemiddelde van de hazards zelf.

4. Identificeerbaarheidsanalyse:

   • Het artikel toont aan dat zelfs bij volledige kennis van de populatie-overlevingsfunctie $S(t|x)$ en de mechanismruimte, de conditionele verdeling $P(\Theta|X=x)$ niet identificeerbaar is.
   • Dit komt door de structuur van de data: individuen leveren doorgaans slechts één waarneming (event of censuur), wat onvoldoende is om het onderliggende mechanisme te reconstrueren. Dit is een structureel probleem, geen gevolg van modelmisspecificatie of gebrek aan data.

Belangrijkste Bijdragen

1. Conceptueel Kader: De auteur biedt een unificerend kader dat individuele risicomechanismen expliciet maakt als latente objecten, waardoor de relatie met populatiegrootheden helder wordt.
2. Identificeerbaarheidsresultaten: Er wordt bewezen dat individuele hazard-trajecten en de verdeling van mechanismen gegeven covariaten structureel niet-identificeerbaar zijn uit overlevingsdata, zelfs onder ideale omstandigheden.
3. Herinterpretatie van Bestaande Modellen: Klassieke modellen worden herzien als specifieke manieren om de niet-identificeerbare verdeling $P(\Theta|X=x)$ te construeren of te negeren:
   • Cox Proportional Hazards: Omzeilt het probleem door alleen de geaggregeerde hazard te modelleren. De hazard ratio is een vergelijking van mengsels, niet van individuele risico's.
   • Frailty Modellen: Beperken de heterogeniteit tot een eendimensionale schalingsfactor (multiplicatief). Dit is een parametrische "sluiting" van de verdeling, geen oplossing voor de identificeerbaarheid.
   • Accelerated Failure Time (AFT): Veronderstelt dat alle individuele mechanismen afgeleid zijn van één referentiemechanisme via tijdschaling. Dit comprimeert de heterogeniteit drastisch.
   • Survival Clustering / Latente Klassen: Benaderen de continue verdeling van mechanismen door een discrete verdeling met een eindig aantal klassen. Dit is een benadering, geen identificatie van unieke subtypes.

Resultaten en Theoretische Bevindingen

• Structurele Niet-Identificeerbaarheid: Zelfs als de populatie-overlevingsfunctie volledig bekend is, bestaan er oneindig veel verschillende conditionele verdelingen van mechanismen die tot dezelfde observabele data leiden.
• De Rol van Covariaten: Covariaten kunnen de onzekerheid over het mechanisme verminderen, maar elimineren deze zelden volledig (tenzij in degeneratieve gevallen waar $X$ het mechanisme deterministisch bepaalt).
• Interpretatie van Hazard: Een ingeschatte hazardfunctie uit een model is altijd een survivor-gewogen posterior gemiddelde van heterogene mechanismen. Het is geen intrinsieke eigenschap van een individu.
• Modelkeuze als Aannames: Het kiezen van een survivalmodel is in feite het kiezen van een specifieke structuur voor de onbekende verdeling $P(\Theta|X=x)$. Verschillende modellen maken verschillende, vaak impliciete, aannames over hoe heterogeniteit zich voordoet.

Significantie en Implicaties

Dit artikel heeft diepgaande gevolgen voor hoe overlevingsanalyse wordt toegepast en geïnterpreteerd:

1. Grens van Interpretatie: Het is onwettig om geaggregeerde hazardfuncties direct te interpreteren als individuele risicofuncten zonder sterke, expliciete aannames over de onderliggende mechanismen. Dit geldt ook voor moderne machine learning-modellen die hoge voorspellende nauwkeurigheid bereiken; succes in voorspelling impliceert niet dat het onderliggende individuele mechanisme correct is geïdentificeerd.
2. Causale Redenering: Het kader onderscheidt duidelijk tussen statistische conditionering (informatie) en causale interventie. Zelfs als covariaten causaal relevant zijn, vertegenwoordigen de gefitte hazards nog steeds geaggregeerde gemiddelden over heterogene mechanismen.
3. Toekomstige Ontwikkeling: Methodologische vooruitgang moet niet alleen gericht zijn op flexibeler regressiemodellen voor observabele hazards, maar op het principieel construeren, benaderen en interpreteren van de conditionele mechanismverdeling. Modellen moeten hun aannames over heterogeniteit expliciet maken.
4. Praktische Toepassing: Voor individuele risicoprofilering en stratificatie moeten onderzoekers zich bewust zijn dat ze werken met projecties van populatiegemiddelden. "Individueel" risico is in de meeste gevallen een construct dat afhankelijk is van het gekozen model, niet een direct meetbare biologische realiteit.

Kortom, het artikel biedt een fundamentele correctie op de interpretatie van survival analysis, waarbij het benadrukt dat wat we waarnemen altijd een geaggregeerd beeld is van onwaarneembare individuele complexiteit, en dat modellen slechts specifieke manieren zijn om die complexiteit te hanteren.