The super learner for time-to-event outcomes: A tutorial

Título: O Super Learner para Resultados de Tempo até o Evento: Um Tutorial

1. O Problema

A estimativa de riscos ou probabilidades de sobrevivência condicionais às características individuais, baseada em dados de tempo até o evento (com censura), é uma tarefa comum em estatística médica e ciência de dados. O desafio central reside no fato de que, a priori, é impossível saber qual modelo entre um conjunto de candidatos fornecerá as melhores estimativas de risco.

• Limitações das abordagens atuais: Analistas frequentemente enfrentam a escolha entre diversos modelos (paramétricos, semiparamétricos como o Cox, e métodos de aprendizado de máquina como florestas aleatórias de sobrevivência). A seleção de modelos costuma ser ad hoc, e a comparação de desempenho preditivo pode ser inconsistente.
• Complexidade da Censura: Dados de tempo até o evento são frequentemente sujeitos à censura à direita, exigindo métodos que acomodem essa característica sem introduzir viés.
• Falta de Acessibilidade: Embora existam métodos de Super Learner (SL) para resultados de tempo até o evento, a literatura técnica é densa e fragmentada, dificultando a implementação prática e a compreensão completa dos detalhes algorítmicos.

2. Metodologia

O artigo apresenta um tutorial prático sobre o uso do Super Learner (SL), uma abordagem de "ensemble" (conjunto) que busca a melhor combinação de modelos candidatos. O SL é garantido por propriedades teóricas de "oráculo", ou seja, ele performa pelo menos tão bem quanto o melhor modelo individual na biblioteca de candidatos.

O tutorial detalha três implementações específicas para dados de tempo até o evento:

A. Super Learner de Tempo Discreto (Polley e van der Laan, 2011)

• Conceito: Discretiza o tempo de acompanhamento em intervalos (ex: anos, meses), transformando o problema de tempo até o evento em uma série de problemas de resultado binário (evento ou não no intervalo).
• Processo: Utiliza validação cruzada para ajustar modelos de risco discreto.
• Funções de Perda: Pode utilizar perda quadrática (L2), log-verossimilhança ou pesos de probabilidade inversa de censura (IPCW).
• Desvantagens: A discretização pode levar a perda de informação sobre o tempo exato do evento e desafios na modelagem flexível da hazard basal.

B. Super Learner de Tempo Contínuo: Westling et al. (2023)

• Conceito: Opera diretamente no tempo contínuo, evitando a discretização.
• Mecanismo: Utiliza uma abordagem iterativa para estimar simultaneamente a distribuição de sobrevivência condicional $S(t|X)$ e a distribuição de censura $G(t|X)$.
• Função de Perda: Baseada em uma pontuação Brier integrada ponderada, que minimiza a diferença entre as estimativas e os valores observados (ajustados por censura).
• Implementação: Requer uma grade de tempo fina para aproximar integrais e um processo iterativo para convergir as estimativas de sobrevivência e censura.

C. Super Learner de Sobrevivência Conjunta: Munch e Gerds (2025)

• Conceito: Foca na estimação de probabilidades de ocupação de estados (não censurado sem evento, evento observado, censurado).
• Mecanismo: É um SL não-ensemble (seleciona o melhor par de modelos candidatos para hazard de evento e censura, em vez de criar uma combinação ponderada).
• Função de Perda: Utiliza uma pontuação Brier integrada sobre os três estados possíveis.
• Vantagem: Projetado para lidar naturalmente com eventos competitivos (embora o tutorial foque em um único evento).

Estrutura Geral do Algoritmo SL:

1. Divisão dos dados em folds (dobras).
2. Ajuste de cada modelo candidato em conjuntos de treino.
3. Obtenção de estimativas validadas cruzadamente.
4. Cálculo da perda média esperada (risco cruzado).
5. Derivação do ensemble (combinação ótima de pesos via mínimos quadrados não negativos) ou seleção do melhor modelo único.

3. Contribuições Principais

• Tutorial Acessível: Preenche uma lacuna na literatura ao fornecer uma explicação prática e detalhada sobre como implementar SLs para dados censurados, cobrindo desde a teoria até a codificação.
• Comparação de Implementações: Apresenta e compara três versões distintas (discreta, contínua iterativa e contínua não-ensemble), discutindo prós, contras e requisitos de cada uma.
• Reprodutibilidade e Código: Fornece código R completo (disponível no GitHub) para reproduzir os resultados, incluindo implementações "à mão" (sem pacotes) para ilustrar os passos internos, além de utilizar pacotes existentes (SuperLearner, survSuperLearner, jossl).
• Aplicação Prática: Demonstra a aplicação em um conjunto de dados real (Rotterdam) para prever a sobrevivência pós-diagnóstico de câncer de mama.

4. Resultados (Aplicação aos Dados de Rotterdam)

O estudo utilizou dados de pacientes com câncer de mama para prever a probabilidade de sobrevivência em 10 anos, dividindo os dados em treino (70%) e teste (30%).

• Desempenho dos Modelos Individuais: A Floresta Aleatória de Sobrevivência (Random Survival Forest) apresentou o melhor desempenho individual, superando a regressão de Cox padrão e a versão com Lasso.
• Desempenho dos Super Learners:
  • Os métodos de tempo contínuo (Westling et al. e Munch & Gerds) superaram os métodos de tempo discreto em termos de pontuação Brier global (erro de calibração).
  • O SL de tempo contínuo de Westling et al. (ensemble) e o de Munch & Gerds (não-ensemble) tiveram desempenho quase idêntico ao da melhor floresta aleatória individual.
  • A versão de tempo discreto com 100 períodos teve desempenho pior que a versão com 10 períodos, sugerindo que a discretização excessiva pode prejudicar a modelagem da hazard basal.
• Conclusão dos Resultados: O uso de um conjunto diversificado de candidatos (incluindo modelos paramétricos e de aprendizado de máquina) melhorou ligeiramente o desempenho, mas a principal vantagem foi a robustez e a flexibilidade do SL em selecionar automaticamente o melhor modelo ou combinação.

5. Significado e Implicações

• Flexibilidade e Robustez: O SL permite combinar modelos paramétricos, semiparamétricos e de aprendizado de máquina, oferecendo uma proteção contra a escolha errada de um modelo único.
• Aplicação em Inferência Causal: Além da previsão pura, o artigo destaca que o SL é crucial em procedimentos de inferência causal (como TMLE - Targeted Maximum Likelihood Estimation) para estimar modelos de "nuisance" (distribuições de sobrevivência e censura condicionais), garantindo estimativas causais mais precisas.
• Tratamento da Censura: As abordagens modernas de tempo contínuo permitem estimar a distribuição de censura de forma flexível e condicional às covariáveis, superando a limitação de assumir censura independente e não condicional, comum em métodos mais antigos.
• Acesso e Padronização: Ao fornecer código e tutoriais claros, o artigo facilita a adoção de métodos de ensemble avançados por estatísticos e cientistas de dados na área da saúde, promovendo modelos preditivos mais precisos e confiáveis.

Em resumo, o artigo serve como um guia essencial para pesquisadores que desejam aplicar técnicas de Super Learner em dados de sobrevivência, equilibrando rigor teórico com aplicabilidade prática em R.