Structured Transfer Learning for Survival Risk Stratification in Data-Sparse Clinical Cohorts

Resumo Técnico: Aprendizado por Transferência Estruturado para Estratificação de Risco de Sobrevivência em Coortes Clínicas com Dados Escassos

Declaração do Problema
Modelos de previsão de sobrevivência frequentemente falham em generalizar de forma confiável quando aplicados a grupos clínicos com tamanhos de amostra limitados ou poucos eventos de desfecho observados, como minorias étnicas sub-representadas ou populações locais específicas de cuidados. Nessas configurações "com dados escassos", modelos ajustados exclusivamente dentro da coorte-alvo (apenas-alvo) tendem a produzir escores de risco instáveis e estimativas de razão de risco imprecisas devido à censura à direita reduzir a informação disponível. Por outro lado, modelos emprestados diretamente de coortes maiores e melhor representadas (apenas-fonte) ou a combinação ingênua de dados de fonte e alvo frequentemente falham em contabilizar a heterogeneidade populacional. Diferenças em demografia, mistura de casos, processos de medição e prática clínica podem induzir deslocamentos de covariáveis e heterogeneidade de efeitos, levando a baixa transportabilidade e potencialmente a estratificação de risco inequitativa. Além disso, métodos existentes de aprendizado multi-tarefa operam tipicamente dentro de um único ambiente de dados, enquanto abordagens padrão de aprendizado por transferência frequentemente adaptam um desfecho de cada vez, falhando em aproveitar a relação estrutural entre múltiplos desfechos clínicos.

Metodologia: CORE-Cox
Para abordar esses desafios, os autores desenvolveram o Modelo Cox de Rank Reduzido Compartilhado pela Coorte (CORE-Cox), um framework de aprendizado por transferência estruturado em duas etapas projetado para previsão de sobrevivência multi-desfecho.

1. Etapa 1: Aprendizado na Fonte (Estrutura de Baixo Rank):
   Em uma coorte de fonte maior, o CORE-Cox estima uma estrutura compartilhada de fatores de risco através de $K$ desfechos relacionados. Em vez de aprender vetores de coeficientes independentes para cada desfecho, ele impõe uma restrição de baixo rank à matriz de coeficientes $B^{(s)} \in \mathbb{R}^{p \times K}$, representando-a como $B^{(s)} = U^{(s)}(V^{(s)})^\top$. Isso permite que desfechos relacionados (por exemplo, doenças cardiometabólicas que compartilham vias biológicas) emprestem força estatística através de um menor número de padrões de risco latentes, preservando vetores específicos do desfecho.

2. Etapa 2: Adaptação no Alvo (Correção Residual Regularizada):
   A matriz de coeficientes da fonte estimada é então adaptada a uma coorte-alvo menor através de uma correção residual: $B^{(t)} = \hat{B}^{(s)} + \Theta$. Aqui, $\Theta$ captura desvios específicos do alvo em relação ao modelo de fonte. Esta matriz residual é estimada usando uma função objetivo de verossimilhança parcial de Cox penalizada dentro da coorte-alvo. A força da penalidade controla o grau de empréstimo: uma penalização forte contrai o modelo-alvo em direção à estrutura de fonte, enquanto uma penalização mais fraca permite maior adaptação específica ao alvo.

O framework preserva a interpretabilidade da regressão de Cox e não requer uma distribuição conjunta de múltiplos tempos de evento. Foi avaliado usando validação cruzada aninhada repetida contra sete benchmarks: Cox apenas-alvo (padrão, Lasso, Ridge), modelos multi-tarefa de baixo rank (treinados em dados alvo, fonte ou combinados), transferência direta de fonte e transferência residual de desfecho único.

Principais Resultados
O estudo avaliou o CORE-Cox em dois cenários distintos:

• UK Biobank: Uma coorte baseada na população com uma fonte branca/europeia ($n=150.093$) e um alvo asiático ($n=2.534$).
• MIMIC-IV: Um banco de dados de registros eletrônicos de saúde de UTI com uma fonte branca ($n=15.997$) e um alvo asiático ($n=672$).

Em nove desfechos de doenças crônicas e mortalidade em ambos os conjuntos de dados, o CORE-Cox consistentemente alcançou a melhor ou quase melhor discriminação em dados de retenção (medida pelo índice de concordância, C-index):

• UK Biobank: O C-index médio na coorte-alvo melhorou de 0,733 (Cox padrão apenas-alvo) para 0,766 com o CORE-Cox.
• MIMIC-IV: O C-index médio melhorou de 0,628 para 0,658, com ganhos observados em oito dos nove desfechos.

Adicionalmente, o CORE-Cox melhorou a identificação de indivíduos de alto risco. Nos 15% superiores de risco previsto, o ganho médio na taxa de eventos foi de 3,16 no UK Biobank e 1,85 no MIMIC-IV. A análise de razão de risco demonstrou que as estimativas do CORE-Cox foram frequentemente intermediárias entre os modelos apenas-fonte e apenas-alvo, com intervalos de confiança mais estreitos do que os modelos apenas-alvo, indicando estabilidade de estimativa aprimorada sem simplesmente reproduzir o modelo de fonte. Estudos de simulação confirmaram que o CORE-Cox reduziu o erro de estimativa de coeficientes em relação ao Cox apenas-alvo, particularmente quando os tamanhos de amostra do alvo eram pequenos e as diferenças entre fonte e alvo eram moderadas.

Significância e Alegações
O artigo afirma que o CORE-Cox fornece uma abordagem de aprendizado por transferência estruturada e interpretável especificamente para estratificação de risco de sobrevivência em coortes clínicas com dados escassos. Sua contribuição primária é a separação da estrutura compartilhada de risco entre desfechos (aprendida na fonte) da adaptação residual específica do alvo. Isso oferece uma alternativa prática a três estratégias comuns, mas falhas:

1. Modelagem instável dentro da coorte (apenas-alvo).
2. Combinação ingênua de coortes heterogêneas.
3. Transferência direta não modificada de coortes maiores.

Os autores enfatizam que a transferibilidade deve ser testada e não assumida em coortes pequenas. Embora o método mostre promessa para melhorar a classificação de risco relativo e a identificação de alto risco, o artigo afirma explicitamente que é necessária avaliação adicional antes que o CORE-Cox possa ser usado para previsão de risco absoluto calibrada ou tomada de decisão clínica direta. O estudo não alega resolver todos os problemas de escassez de dados, mas demonstra que alavancar a estrutura entre desfechos via modelagem de baixo rank, combinada com adaptação alvo regularizada, pode mitigar efetivamente a instabilidade em populações sub-representadas.