📊 statistics

From Risk Sets to Martingales: A Counting-Process Framework for Event-History Learning

Este artigo estabelece um arcabouço unificado de aprendizagem de histórico de eventos baseado na notação de processo de contagem e na teoria de martingales que traduz diversos problemas de dados censurados, recorrentes e multiestado em cinco objetos matemáticos recorrentes, proporcionando, assim, algoritmos computacionais comuns, modelos de prova teórica e uma linguagem compartilhada para derivar e comparar métodos de sobrevivência clássicos e de aprendizado de máquina.

Autores originais: Eliuvish Han Cui

Publicado 2026-06-23

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Eliuvish Han Cui

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando prever quando uma lâmpada irá queimar ou quando um paciente terá uma recaída após o tratamento. No mundo real, raramente você consegue ver o momento exato em que o "evento" acontece. Às vezes, a lâmpada ainda está funcionando quando você para de observar (censura). Às vezes, você verifica a lâmpada apenas uma vez por semana e sabe que ela quebrou em algum momento entre terça e sexta-feira (censura por intervalo). Às vezes, um paciente pode ficar doente, melhorar, ficar doente novamente e, então, morrer (multiestado).

Este artigo é essencialmente um tradutor universal e um kit de construção para lidar com todos esses cronogramas bagunçados e incompletos. O autor, Elvis Han Cui, argumenta que, em vez de tratar cada tipo de dado de sobrevivência como um problema único e confuso, podemos visualizar todos eles através de uma única e poderosa lente matemática chamada Estrutura de Processo de Contagem (Counting-Process Framework).

Aqui está a decomposição das ideias do artigo usando analogias do cotidiano:

1. A Ideia Central: O "Conjunto de Risco" e a "Surpresa"

O artigo começa com uma equação simples: $dN(t) = Y(t)\alpha(t)dt + dM(t)$ .
Pense nisso como uma receita para prever o futuro:

$Y(t)$ (O Conjunto de Risco): Esta é a multidão de pessoas ou coisas que estão atualmente "no jogo". Se você está estudando lâmpadas, $Y(t)$ é o número de lâmpadas ainda acesas. Se uma lâmpada queima ou você para de observá-la, ela deixa a multidão.
$\alpha(t)$ (O Perigo/Hazard): Esta é a "pressão instantânea" ou o risco de falha neste exato momento.
$dN(t)$ (O Salto): Este é o evento real acontecendo (uma lâmpada queimando, um paciente tendo uma recaída).
$dM(t)$ (O Martingal/Surpresa): Esta é a parte mais importante. Ela representa o inesperado. Mesmo que você saiba o tamanho da multidão e o risco, você não pode prever exatamente quando a próxima lâmpada irá estourar. O "Martingal" é a forma matemática de dizer: "A diferença entre o que esperávamos que acontecesse e o que realmente aconteceu é apenas ruído aleatório".

A principal afirmação do artigo é que, se você conseguir separar a multidão previsível do surpresa aleatória, poderá construir um sistema unificado para analisar quase qualquer tipo de dados de tempo até o evento.

2. Os Cinco Blocos de Construção

Em vez de memorizar centenas de fórmulas diferentes para diferentes cenários, o artigo diz que todo problema pode ser decomposto em cinco objetos recorrentes:

Processo de Risco: Quem ainda está no jogo?
Processo de Salto: Quando o evento realmente aconteceu?
Compensador: O que nós esperávamos que acontecesse com base nas regras?
Equação de Estimativa: A ferramenta matemática usada para encontrar a resposta.
Argumento de Limite: A prova de que a resposta melhora conforme obtemos mais dados.

3. O Que Este Framework Pode Fazer

O artigo mostra como este único framework lida com uma grande variedade de situações complexas, traduzindo todas elas para a mesma linguagem:

Sobrevivência Padrão (Censura à Direita): A clássica curva "Kaplan-Meier". Imagine uma linha de corredores. Alguns abandonam a prova (são censurados) antes da linha de chegada. O framework calcula a probabilidade de terminar olhando para quem ainda está correndo a cada passo.
Múltiplos Estados (Multistate): Imagine um paciente que passa de "Saudável" $\to$ "Doente" $\to$ "Morto", ou "Saudável" $\to$ "Morto" diretamente. O artigo usa um integral de produto (como multiplicar uma série de pequenas probabilidades) para rastrear a probabilidade de estar em qualquer estado específico em qualquer momento. É como um fluxograma onde você multiplica as chances de seguir cada caminho.
Eventos Recorrentes: E se um paciente ficar doente, melhorar e ficar doente novamente? O framework conta cada "salto" (doença) enquanto o paciente ainda estiver no conjunto de risco.
Censura por Intervalo: Imagine que você só verifica a saúde de um paciente às segundas e quartas-feiras. Se ele estiver doente na quarta, mas saudável na segunda, você sabe que o evento aconteceu entre esses dias, mas não exatamente quando. O artigo usa um algoritmo de "autoconsistência" (como um algoritmo EM) para redistribuir a massa de probabilidade através dos intervalos de tempo possíveis até encontrar o melhor ajuste.
Inferência Causal (Variáveis Instrumentais): Às vezes, um tratamento (como um medicamento) é dado a pacientes mais doentes, fazendo parecer que o medicamento é ruim. Para corrigir isso, o artigo usa "Variáveis Instrumentais" (como um marcador genético ou uma preferência aleatória de um médico) para isolar o verdadeiro efeito causal, separando o efeito do medicamento do estado de saúde subjacente do paciente.

4. A Inovação do "Cross-Fitting"

Uma das novas contribuições do artigo é um método para validar modelos modernos de aprendizado de máquina (como redes neurais) usados para dados de sobrevivência.

O Problema: Se você treina um modelo em um conjunto de dados e o testa no mesmo conjunto, ele pode estar apenas memorizando as respostas (overfitting).
A Solução: O artigo propõe uma abordagem de "cross-fitting". Você treina o modelo em 90% dos dados e o testa nos 10% restantes.
A Magia: O artigo prova uma nova identidade matemática: se o seu modelo for bom, a "surpresa" (resíduos de martingal) no grupo de teste deve parecer um ruído aleatório. Se o seu modelo for ruim, a "surpresa" mostrará um padrão. Isso oferece uma maneira rigorosa de verificar se um modelo de IA complexo está realmente aprendendo o histórico do evento ou apenas adivinhando.

5. Por Que Isso Importa

O artigo não apenas lista métodos antigos; ele fornece uma linguagem comum.

Para Matemáticos: Ele fornece "templates de prova". Em vez de provar um novo teorema do zero para cada novo tipo de dado, você pode inserir seu problema nesses cinco blocos de construção e usar as provas existentes.
Para Cientistas de Dados: Ele transforma a análise de sobrevivência complexa em algoritmos reutilizáveis. Quer você esteja analisando lâmpadas, tempos de permanência em cargos históricos ou recaídas de pacientes, o "varredura do conjunto de risco" (Algoritmo 1) é o mesmo.
Para Todos: Ele unifica o campo. Quer você esteja fazendo um simples "teste Log-Rank" para comparar dois grupos ou um modelo "não paramétrico Bayesiano" complexo para transições de multiestado, todos são apenas formas diferentes de gerenciar o Conjunto de Risco e a Surpresa.

Resumo

Pense neste artigo como um adaptador universal para dados de tempo até o evento. Quer seus dados sejam bagunçados, incompletos, tenham múltiplos estados ou envolvam questões causais, o autor mostra que você pode remover a complexidade e olhar para a mecânica central: Quem está em risco? O que esperávamos? O que realmente aconteceu? E a diferença foi apenas um ruído aleatório? Ao responder a essas perguntas de forma consistente, podemos derivar, verificar e comparar qualquer método para analisar históricos de eventos.

Resumo Técnico: Dos Conjuntos de Risco aos Martingales: Uma Estrutura de Processo de Contagem para o Aprendizado de Histórico de Eventos

Declaração do Problema

Dados de sobrevivência e de histórico de eventos são intrinsecamente observações filtradas em vez de variáveis de resposta completas. Em qualquer tempo $t$ , o analista observa o histórico acumulado (conjuntos de risco, covariáveis, estados anteriores), mas apenas observa o salto do evento quando este ocorre. Essa assimetria temporal complica a análise de dados censurados, truncados, recorrentes, multiestado e dependentes de covariáveis. Embora existam inúmeros métodos específicos (por exemplo, Kaplan–Meier, regressão de Cox, Fine–Gray), há uma necessidade de um framework unificado que separe a informação previsível do conjunto de risco das observações de saltos de eventos para facilitar a derivação, verificação e comparação de métodos clássicos e de aprendizado de máquina para dados de histórico de eventos.

Metodologia

O artigo estabelece um framework unificado baseado na notação de processo de contagem e na representação de intensidade multiplicativa:
$dN(t) = Y(t)\alpha(t)dt + dM(t)$
onde:

$N(t)$ é o processo de salto (contagem de eventos observada).
$Y(t)$ é o processo de risco previsível (número em risco).
$\alpha(t)$ é a função de intensidade.
$Y(t)\alpha(t)dt$ é o incremento do compensador.
$dM(t)$ é a inovação do martingale.

Em vez de catalogar métodos de sobrevivência específicos, o framework traduz cada problema de aprendizado parcialmente observado em cinco objetos recorrentes:

Processo de Risco: O conjunto previsível de sujeitos elegíveis para um evento.
Processo de Salto: Os incrementos de eventos observados.
Compensador: O modelo de intensidade previsível.
Equação de Estimativa: Derivada de propriedades de martingales ou verossimilhanças.
Argumento Limite: A justificativa assintótica (por exemplo, teoremas do limite central para martingales).

O artigo aplica sistematicamente este framework em quatro domínios:

Estimativa Não Paramétrica: Derivando estimadores Nelson–Aalen (risco cumulativo), Kaplan–Meier (sobrevivência), Aalen–Johansen (multiestado), Dabrowska (bivariado) e Turnbull (censura intervalar) como atualizações de produto-integral ou maximizações de verossimilhança.
Teste de Hipóteses: Formulando testes log-rank e ponderados como contrastes de conjuntos de risco de martingales, estendendo-se para cenários de estratificação, cruzamento de riscos e riscos competitivos.
Modelagem de Regressão: Unificando modelos Cox–Andersen–Gill (multiplicativos), Aalen (aditivos), de transformação/AFT e modelos semi-Markov. Ele lida explicitamente com a dependência de duração distinguindo entre o tempo de calendário e o tempo de permanência transcorrido.
Inferência Causal: Adaptando métodos de variáveis instrumentais (IV) (por exemplo, G-estimation, modelos de Cox estruturais) para resultados censurados, combinando restrições de momento causais com equações de estimativa de processos de contagem.

O framework também integra o aprendizado de máquina moderno ao mapear aprendizes flexíveis (florestas aleatórias, redes neurais) nesta estrutura, abordando especificamente a validação por cross-fitting para dados censurados.

Principais Contribuições

1. Unificação Computacional

O artigo converte diversas tarefas computacionais em algoritmos reutilizáveis e diagnósticos de simulação:

Varreduras de conjunto de risco (Risk-set sweeps): Um algoritmo unificado (Algoritmo 1) para cálculos de Nelson–Aalen, Kaplan–Meier, log-rank e escores de Cox.
Atualizações de produto-integral: Algoritmos para transições multiestado (Aalen–Johansen) e contabilidade de tempo transcorrido semi-Markov.
Verossimilhanças intervalares: O blueprint de autoconformidade/EM-ICM de Turnbull para dados com censura intervalar.
Validação por cross-fitting: Um wrapper (Algoritmo 4) para aplicar aprendizes modernos a dados censurados, respeitando o conjunto de risco previsível e a filtração.

2. Contribuições Teóricas

Templates de Prova: O artigo fornece uma estrutura padronizada para provar consistência, normalidade assintótica e estimativa de variância para uma ampla classe de estimadores usando decomposições de martingales e métodos delta funcionais.
Novo Resultado Teórico (Teorema 27): O artigo prova uma nova identidade de validação de compensador fora da amostra (out-of-fold) para aprendizes de dados censurados com cross-fitting. Estabelece que, condicionado aos folds de treinamento, os escores de resíduos do fold de validação são centrados em martingales se, e somente se, a intensidade aprendida estiver calibrada em um sentido de intensidade integrada ponderada. Isso interpreta o cross-fitting como um requisito de filtração: as previsões de validação podem depender dos dados de treinamento e do histórico pré- $t$ , mas não de saltos futuros de validação.

3. Mapeamento de Aplicação

O framework mapeia diversos domínios — biomédico, confiabilidade, operacional, econômico, financeiro, literário, histórico e exemplos causais de sobrevivência — sobre a mesma linguagem de conjunto de risco e compensador. Isso permite uma linguagem matemática comum para derivar e comparar métodos entre esses campos.

Resultados e Escopo

O artigo não apresenta novos dados empíricos, mas sim uma síntese teórica e algorítmica. Seus "resultados" são a unificação bem-sucedida de:

Estimadores: De curvas simples de censura à direita para superfícies bivariadas complexas de censura intervalar e probabilidades de transição multiestado.
Testes: De testes log-rank padrão para comparações adaptativas, ponderadas e de riscos competitivos.
Modelos: De paramétricos (Weibull, Gompertz) a semiparamétricos (Cox, Aalen) e totalmente não paramétricos (Beran, Turnbull).
Métodos Causais: Modelos de IV de Cox estrutural e de risco aditivo que lidam com endogeneidade em resultados de tempo até o evento.

O artigo demonstra que a decomposição do processo de contagem $dN = Y\alpha dt + dM$ serve como a "base analítica comum" para todos esses métodos. Mostra que o estimador de Nelson–Aalen é o protótipo para a estimativa de risco cumulativo, o estimador de Kaplan–Meier é uma transformação de produto-integral dele, e o estimador de Aalen–Johansen é a extensão multiestado dessa mesma lógica.

Significância e Alegações

O artigo afirma fornecer uma linguagem matemática comum para derivar, verificar e comparar métodos clássicos e de aprendizado de máquina para dados de histórico de eventos censurados, recorrentes e multiestado.

Para Análise Clássica: Oferece templates de prova que esclarecem os recorrentes argumentos de martingales, verossimilhança e produto-integral, tornando a derivação de novos estimadores mais sistemática.
Para Aprendizado Moderno: Aborda a integração de modelos de aprendizado de máquina flexíveis (ex: redes neurais, florestas aleatórias) com os requisitos rigorosos de inferência de dados censurados. Especificamente, fornece a justificativa teórica (Teorema 27) para o uso de cross-fitting em configurações de sobrevivência, garantindo que os resíduos de validação se comportem como martingales apenas quando o modelo está devidamente calibrado.
Para Inferência Causal: Faz a ponte entre a teoria de variáveis instrumentais e a análise de sobrevivência, mostrando como construir estimadores G-validos e modelos estruturais que respeitam a filtração de dados censurados.

Os autores posicionam este trabalho não como um catálogo de métodos nomeados, mas como um framework organizador onde o "conjunto de risco, o mecanismo de censura e as restrições de filtração" são tornados explícitos para qualquer problema de aprendizado. O objetivo final é facilitar a transferência de métodos entre domínios (por exemplo, de ensaios clínicos para engenharia de confiabilidade) ao garantir que eles compartilhem a mesma estrutura estocástica subjacente.