Resumo Técnico: Pare de Perseguir o C-index ao Avaliar Modelos de Análise de Sobrevivência

Declaração do Problema

O estado atual da avaliação em análise de sobrevivência é caracterizado por um desalinhamento sistemático entre objetivos de modelagem, métricas de avaliação e as premissas subjacentes relativas à censura. Apesar de a característica definidora dos dados de sobrevivência ser a censura (onde os tempos de evento são apenas parcialmente observados), uma parcela substancial da literatura recente depende de práticas de avaliação que ignoram essas características estruturais.

Os autores identificam duas falhas primárias na prática atual:

1. Descompasso entre Objetivo e Métrica: Pesquisadores frequentemente utilizam métricas baseadas em discriminação, particularmente o C-index, para avaliar modelos mesmo quando o objetivo declarado é a estimativa precisa do tempo até o evento ou a calibração probabilística. O C-index mede a capacidade de ordenação, mas não avalia a precisão numérica dos tempos previstos ou a calibração das probabilidades de sobrevivência.
2. Premissas de Censura Injustificadas: Muitas avaliações procedem como se a censura fosse "aleatória" (independente do processo de evento), uma premissa raramente declarada, justificada ou corrigida empiricamente. Na realidade, a censura pode ser independente (condicional às covariáveis) ou dependente (relacionada ao processo de evento mesmo após o condicionamento). O uso de métricas que assumem censura aleatória em dados com censura dependente leva a estimativas de desempenho enviesadas e comparações de modelos enganosas.

Uma pesquisa de 92 artigos de análise de sobrevivência publicados entre 2023 e 2025 revelou que aproximadamente 72% dos estudos utilizaram métricas de avaliação que não estavam alinhadas com seus objetivos declarados ou falharam em contabilizar as premissas de censura, levando a alegações de desempenho potencialmente infladas.

Metodologia e Estrutura

O artigo propõe uma estrutura organizada para avaliar modelos de sobrevivência, centrada na Hipótese da Escada de Consistência Modelo-Métrica. Esta hipótese postula que um modelo e sua métrica de avaliação devem estar no mesmo "degrau" da escada de premissas. Se um modelo depende de premissas específicas de censura (por exemplo, censura dependente), a métrica de avaliação também deve ser válida sob essas mesmas premissas.

Componentes Conceituais Chave

1. Premissas de Censura: Os autores formalizam três premissas distintas relativas à relação entre o tempo de evento ($E$) e o tempo de censura ($C$):

   • Censura Aleatória: $E \perp\!\!\!\perp C$. A censura não está relacionada ao processo de evento.
   • Censura Independente: $E \perp\!\!\!\perp C \mid X$. A censura depende das covariáveis, mas é condicionalmente independente do tempo de evento.
   • Censura Dependente: $E \not\perp\!\!\!\perp C \mid X$. A censura permanece relacionada ao processo de evento mesmo após o condicionamento nas covariáveis observadas.

2. Cinco Requisitos para Métricas: Para orientar a seleção de métricas, os autores propõem cinco critérios:

   • D1 (Regra de Pontuação Adequada): A métrica deve ser minimizada/maximizada apenas quando as previsões correspondem à distribuição verdadeira.
   • D2 (Interpretabilidade): Os valores devem estar em unidades relevantes ao domínio (por exemplo, dias, probabilidades).
   • D3 (Agnóstico ao Modelo): A métrica não deve depender de detalhes internos do modelo ou escolhas específicas de parâmetros.
   • D4 (Sensibilidade à Má Calibração): A métrica deve detectar super/subestimação sistemática de probabilidades.
   • D5 (Robustez à Censura): A métrica deve lidar com a censura de forma consistente com o mecanismo de geração dos dados.

3. A Escada de Dupla Hélice: Os autores visualizam uma lacuna entre o desenvolvimento de modelos e o desenvolvimento de métricas. Enquanto os modelos avançaram para lidar com censura dependente (por exemplo, via cópulas), as métricas de avaliação estagnaram em grande parte, permanecendo válidas apenas sob premissas de censura aleatória ou independente. Isso cria uma escada "torcida" onde modelos avançados são frequentemente avaliados com métricas desatualizadas e desalinhadas.

Resultados Experimentais

Os autores conduziram experimentos controlados usando dados sintéticos para demonstrar as consequências do descompasso entre modelo e métrica.

• Configuração: Um modelo de Riscos Proporcionais de Cox (CoxPH) foi treinado em dados com um processo de geração de evento fixo. O mecanismo de censura foi variado em três cenários: Aleatório, Independente e Dependente (induzido via cópula de Clayton com aumento de $\tau$ de Kendall).
• Descobertas:
  • Viés em Métricas Padrão: À medida que a censura se desviava da premissa aleatória, métricas padrão como o C-index de Harrell e o Integrated Brier Score (IBS) tornaram-se cada vez mais enviesadas.
  • Conclusões Enganosas: Em cenários com censura dependente, métricas padrão frequentemente sugeriam melhoria ou estabilidade do modelo, mesmo quando o desempenho "oráculo" (calculado usando tempos de evento verdadeiros) estava degradando.
  • Falha da Métrica: Métricas que dependem do Ponderamento Inverso da Probabilidade de Censura (IPCW) marginal (por exemplo, C-index de Uno) falharam em corrigir o viés quando a censura era dependente, pois assumem independência dada as covariáveis ou censura aleatória.

Os resultados confirmam que o uso de uma métrica projetada para uma premissa mais fraca (por exemplo, censura aleatória) para avaliar um modelo ou conjunto de dados com uma premissa mais forte (por exemplo, censura dependente) produz estimativas de desempenho não confiáveis.

Contribuições Principais

1. Revisão Crítica de Práticas: O artigo fornece evidências empíricas de que o campo é afligido pelo uso excessivo do C-index e pela negligência das premissas de censura, com cerca de 72% dos artigos recentes exibindo desalinhamento.
2. A Hipótese da Escada: Introduz um princípio orientador que exige alinhamento explícito entre as premissas estatísticas do modelo, dos dados e da métrica de avaliação.
3. Diretrizes de Avaliação: Os autores fornecem um fluxo de trabalho prático (visualizado em uma lista de verificação) para pesquisadores selecionarem métricas apropriadas com base em:
   • O alvo de previsão (por exemplo, ordenação de risco vs. tempo até o evento).
   • O aspecto de avaliação (discriminação, erro, calibração).
   • A premissa de censura (aleatória, independente ou dependente).
4. Identificação de Lacunas: O artigo destaca que, embora existam métodos para modelar censura dependente, métricas de avaliação amplamente aceitas e não enviesadas para tais configurações estão atualmente ausentes.

Significado e Alegações

Os autores argumentam que o uso generalizado de métricas desalinhadas leva a comparações de modelos enganosas e impede que a comunidade credite com precisão avanços metodológicos. Eles não afirmam ter resolvido o problema de avaliar a censura dependente, mas sim fazem um chamado para uma "recalibração" do campo.

O significado primário do artigo reside em seu chamado à ação: os pesquisadores devem declarar explicitamente suas premissas de censura e escolher métricas que sejam válidas sob essas premissas. Até que métricas robustas e alinhadas às premissas para censura dependente sejam desenvolvidas e validadas, as alegações de desempenho para modelos de última geração em tais configurações devem ser vistas como especulativas. Os autores defendem que uma avaliação rigorosa e consciente das premissas é a próxima fronteira necessária para o progresso na análise de sobrevivência.