Comparative Review of Modern Competing Risk Methods in High-dimensional Settings

Resumo Técnico: Revisão Comparativa de Métodos Modernos de Risco Competitivo em Cenários de Alta Dimensionalidade

Definição do Problema
A análise de risco competitivo aborda cenários onde múltiplos eventos mutuamente exclusivos podem ocorrer, de tal forma que a ocorrência de um impede os outros. Os métodos tradicionais de análise de sobrevivência, como o estimador de Kaplan–Meier e o modelo de riscos proporcionais de Cox, frequentemente falham nesses contextos ao tratar eventos competitivos como censura independente, levando a uma superestimação das probabilidades de sobrevivência. Embora existam abordagens estatísticas como Riscos de Causa Proporcional (PCSH) e Riscos de Subdistribuição Proporcional (PSDH/Fine–Gray), elas não são diretamente aplicáveis a dados de alta dimensionalidade onde o número de covariáveis ($p$) excede o tamanho da amostra ($n$). Embora abordagens de aprendizado de máquina tenham sido propostas para riscos competitivos, avaliações comparativas abrangentes desses métodos — especificamente regressão penalizada, boosting, florestas aleatórias e aprendizagem profunda — através de diversos cenários de alta dimensionalidade permanecem limitadas.

Metodologia
O estudo conduz uma comparação extensiva baseada em simulações de quatro categorias de métodos de risco competitivo:

1. Regressão Penalizada (PR): Penalidades LASSO, SCAD e MCP aplicadas ao modelo Fine–Gray (PSDH).
2. Boosting Baseado em Verossimilhança (CB): CoxBoost, uma abordagem de boosting componente a componente para o modelo PSDH.
3. Floresta Aleatória (RF): Florestas de Sobrevivência Aleatória adaptadas para riscos competitivos usando a regra de divisão de Gray.
4. Aprendizagem Profunda (DH): DeepHit, uma estrutura de rede neural profunda para riscos competitivos.

Desenho Experimental:

• Geração de Dados: Dados simulados foram gerados com base no modelo Fine–Gray com dois eventos competitivos.
• Cenários: O estudo variou tamanhos de amostra ($n = 200, 300, 500, 1000$), dimensões de covariáveis ($p = 24, 212, 512, 1012$), estruturas de correlação (independente, intercambiável, AR(1)), níveis de esparsidade e modelos de preditores (linear, quadrático, interação). Isso resultou em 672 cenários de simulação únicos com 10 réplicas cada.
• Métricas de Avaliação: O desempenho foi avaliado usando:
  • Seleção de Variáveis: Taxa de Verdadeiros Positivos (TPR) e Taxa de Falsos Positivos (FDR).
  • Precisão de Estimativa: Erro Beta (soma dos quadrados das diferenças entre os coeficientes reais e estimados).
  • Discriminação: Índice de Concordância ($c$-index) e Área Sob a Curva dependente do tempo ($AUC_t$).
  • Calibração: Pontuação de Brier Integrada ($IBS_t$).
• Aplicação no Mundo Real: Os métodos foram aplicados a um conjunto de dados de expressão gênica de melanoma de alta dimensionalidade ($n=214$, $p \approx 47.000$) para ilustrar a utilidade prática.

Resultados Principais

• CoxBoost (CB): Demonstrou o desempenho mais robusto em cenários de alta dimensionalidade ($p \ge n$). Forneceu um forte controle de falsas descobertas, precisão de estimativa estável e capacidade discriminativa competitiva. O CB manteve o desempenho mesmo conforme a dimensionalidade aumentava e sob estruturas de covariáveis correlacionadas.
• Regressão Penalizada (PR): Em cenários de baixa a moderada dimensionalidade ($n > p$), os métodos de PR (particularmente MCP e SCAD) mostraram melhor calibração (menor IBS) em comparação ao CB. No entanto, em cenários de alta dimensionalidade, os métodos de PR exibiram descobertas falsas infladas e estimativa instável, com o LASSO mostrando mais estabilidade, porém menor sensibilidade que as penalidades não convexas.
• Floresta Aleatória (RF): Embora capaz de capturar efeitos não lineares, a RF exibiu um desempenho geral mais fraco na implementação atual. Identificou conjuntos de variáveis mais amplos com altas taxas de falsas descobertas e mostrou capacidade discriminativa mais fraca em comparação ao CB e PR.
• Aprendizagem Profunda (DeepHit): O DH teve dificuldades com a precisão de calibração nos cenários implementados. Embora possa modelar relações não lineares complexas, mostrou desempenho de calibração limitado e não superou o CB ou PR nos regimes de alta dimensionalidade simulados.
• Viabilidade Computacional: O CoxBoost escalou favoravelmente com a dimensionalidade (menos de 15 minutos para $n=1000, p=1012$). Os métodos de PR tornaram-se computacionalmente caros em dimensões muito altas, enquanto os tempos de execução da RF aumentaram substancialmente com $n$ e $p$. O DeepHit foi o mais rápido, mas apresentou resultados não competitivos nesta configuração específica.

Significância e Alegações
O artigo afirma fornecer a primeira evidência comparativa estruturada e diretrizes preliminares para a seleção de modelos de risco competitivo especificamente em cenários de alta dimensionalidade. Os autores enfatizam que seus achados baseiam-se em implementações e estratégias de ajuste específicas (ex: dados gerados a partir do modelo Fine–Gray, que estruturalmente favorece PR e CB).

O estudo conclui que o CoxBoost oferece um desempenho robusto e equilibrado para seleção de variáveis, estabilidade de estimativa e discriminação, tornando-o a abordagem recomendada para dados de risco competitivo de alta dimensionalidade ($p \gtrsim n$). A Regressão Penalizada (especificamente MCP/SCAD) é preferível quando a calibração precisa de probabilidade é o objetivo principal e a dimensionalidade é moderada ($n > p$). Embora a Floresta Aleatória e a Aprendizagem Profunda sejam teoricamente capazes de lidar com não linearidades, suas implementações atuais mostraram um desempenho mais fraco na seleção de variáveis e na calibração dentro dos regimes de alta dimensionalidade testados.

Os autores declaram explicitamente que esses resultados devem ser interpretados como uma comparação dentro de um paradigma de modelagem amplamente utilizado (Fine–Gray) e não como um benchmark totalmente agnóstico ao modelo. Eles observam que pesquisas futuras são necessárias para avaliar a robustez sob mecanismos alternativos de geração de dados (ex: riscos de causa específica ou efeitos de não proporcionalidade) e para explorar abordagens híbridas ou ajustes avançados para modelos de aprendizagem profunda. A análise de melanoma serve como um caso de uso ilustrativo demonstrando a aplicação do método, em vez de ser uma fonte de nova descoberta biológica.