Resumo Técnico: Agrupamento Funcional de Dados de Sobrevivência via Trajetórias de Log-Risco Suavizadas

1. Definição do Problema

O agrupamento de análise de sobrevivência é tradicionalmente dominado pelo agrupamento ao nível do indivíduo, que agrupa sujeitos com base em tempos de sobrevivência e covariáveis. Uma perspectiva menos explorada, mas potencialmente valiosa, é o ag agrupamento ao nível da curva, que visa agrupar curvas de sobrevivência agregadas (ex: curvas de Kaplan-Meier) para identificar tendências mais amplas entre coortes, hospitais ou regiões.

Métodos de curva existentes, como o Survclustcurves, baseiam-se primariamente em probabilidades de sobrevivência cumulativas e matrizes de dissimilaridade baseadas em log-rank. Os autores argumentam que essas abordagens possuem uma limitação crítica: operam sobre informações cumulativas, o que pode obscurecer diferenças na temporalidade, localização e intensidade do risco instantâneo. Quando as curvas de sobrevivência se sobrepõem, se cruzam ou convergem, métodos baseados em probabilidades cumulativas podem falhar em distinguir coortes que exibem dinâmicas de risco subjacentes fundamentalmente diferentes. Além disso, funções de degraus não paramétricas padrão (como Kaplan-Meier) são matematicamente inadequadas para a análise de dados funcionais (FDA) devido à sua descontinuidade e sensibilidade ao ruído de discretização.

2. Metodologia

O artigo propõe um framework de Análise de Dados Funcionais (FDA) que desloca o foco analítico das probabilidades de sobrevivência cumulativas para a função de risco instantâneo (hazard function). A metodologia procede através das seguintes etapas:

A. Representação Funcional de Trajetórias de Log-Risco

Em vez de agrupar curvas de sobrevivência brutas, o método modela a função de log-risco ($\log h(t)$).

• Racional: A função de risco captura dinâmicas de risco instantâneo (picos, acelerações, pontos de inflexão) que são frequentemente suavizadas nas curvas de sobrevivência cumulativas. A escala logarítmica garante a positividade após a transformação inversa e permite um suavizamento sem restrições.
• Suavizamento (Smoothing): Estimativas de risco empíricas brutas são instáveis e ruidosas. Os autores aplicam suavizamento por B-splines para construir trajetórias contínuas e diferenciáveis.
• Seleção de Suavizamento: Os parâmetros de suavizamento são selecionados via uma regra de Validação Cruzada Generalizada (GCV). Crucialmente, os autores não selecionam o mínimo absoluto do GCV, mas escolhem um suavizador dentro de uma tolerância de 20% ($\delta = 0,20$) do mínimo. Entre esses candidatos "equivalentes ao GCV", seleciona-se aquele que maximiza a variabilidade local (média da derivada segunda quadrada integrada) para preservar características temporais interpretáveis (ex: picos tardios) que um suavizamento excessivamente rígido poderia atenuar.

B. Análise de Componentes Principais Funcionais (FPCA)

As trajetórias de log-risco suavizadas são projetadas em um espaço de baixa dimensão usando FPCA.

• Redução de Dimensionalidade: O número de Componentes Principais Funcionais retidos, denotado por $M$, é determinado antes do agrupamento usando uma regra conservadora de 95% de variância cumulativa explicada ($CPV(M) \geq 0,95$). Isso garante que o agrupamento seja realizado em uma representação que retém a principal estrutura temporal das dinâmicas de risco, em vez de otimizar para a separação de clusters.
• Scores: O agrupamento é realizado nos scores de FPCA não padronizados. A padronização é evitada para preservar a estrutura de variância induzida pelos autovalores, evitando que componentes de baixa variância (potencialmente ruidosos) dominem a métrica de distância.

C. Agrupamento no Espaço de Scores

Algoritmos de agrupamento padrão (K-means, K-medoids, agrupamento hierárquico de Ward) são aplicados aos scores de FPCA não padronizados.

• Seleção de Cluster: O número ideal de clusters ($K$) é selecionado após a representação de FPCA estar fixa, utilizando critérios de validade interna (largura média de Silhouette) e diagnósticos de estabilidade (reamostragem bootstrap).
• Interpretação: As distâncias no espaço de scores de FPCA aproximam-se de dissimilaridades entre trajetórias de log-risco. Consequentemente, os clusters representam grupos com dinâmicas de risco temporais relativas semelhantes (padrões multiplicativos de razões de risco) em vez de valores de risco absolutos idênticos.

3. Contribuições Principais

1. Mudança no Objeto Analítico: O artigo redefine o objeto de agrupamento de curvas de sobrevivência cumulativas para trajetórias de log-risco suavizadas, argumentando que estas últimas codificam informações prognósticas mais ricas sobre a temporalidade e as dinâmicas do risco.
2. Pipeline Funcional Robusto: A integração do suavizamento por B-spline (com uma regra GCV que preserva a flexibilidade) e FPCA fornece uma representação estável e diferenciável de funções de risco, superando a instabilidade das estimativas de risco empíricas brutas.
3. Redução de Dimensionalidade Conservadora: Ao fixar a truncagem de FPCA com base em um limiar de 95% de variância independente do desempenho do agrupamento, o método evita o overfitting e garante que o agrupamento reflita a variabilidade funcional genuína em vez de ruído.
4. Distinção de Benchmarks: O framework contrasta explicitamente com benchmarks baseados em sobrevivência cumulativa, demonstrando que grupos identificados por dinâmicas de risco podem diferir significamente de grupos identificados por declínio de sobrevivência cumulativa.

4. Resultados

Estudos de Simulação

• Contínuo de Complexidade: O método foi testado em dados simulados com aumento de sobreposição entre regimes latentes de log-risco (0% a 50% de sobreposição).
  • Desempenho: O K-means aplicado a scores de FPCA não padronizados demonstrou consistentemente a melhor recuperação (Índice Rand Ajustado, ARI), mantendo alto desempenho mesmo conforme a sobreposição aumentava. Mostrou uma degradação mais gradual em comparação com benchmarks que agrupam coeficientes de B-spline padronizados ou curvas de sobrevivência cumulativas.
  • Sensibilidade: O desempenho de recuperação foi invariante através de limiares de truncagem de FPCA variando de 90% a 99%, confirmando que a regra de 95% não cria artificialmente a estrutura latente.
  • Robustez a Outliers: Em testes de estresse com trajetórias de outliers injetadas, o pipeline baseado em FPCA permaneceu informativo, embora o número de clusters selecionado e o ARI tenham variado de forma não monotônica dependendo da interação entre os outliers e o algoritmo de agrupamento.
• Estudo de Caso: Em um cenário com três regimes de risco temporal distintos, a abordagem de log-risco/FPCA alcançou recuperação perfeita (ARI = 1,000), enquanto o benchmark de sobrevivência cumulativa falhou em recuperar os regimes localizados no tempo (ARI = 0,351), apesar de possuir alta coesão interna.

Aplicações no Mundo Real

O método foi aplicado a dois conjuntos de dados clínicos: o Estudo Alemão de Câncer de Mama (GBCS) e o conjunto de dados de Cirrose Biliar Primária (PBC).

• GBCS: O método identificou uma partição de dois clusters baseada no envolvimento de linfonodos (baixo vs. alto). Os clusters foram impulsionados por uma diferença persistente no nível de risco de recorrência instantânea. A partição mostrou estabilidade moderada (Jaccard médio $\approx$ 0,60).
• PBC: O método identificou uma partição de dois clusters separando perfis com bilirrubina/Estágio 4 de doença de perfis com menor bilirrubina/Estágio 2-3. A separação foi impulsionada quase inteiramente pelo primeiro FPC (93,4% de variância), representando um contraste global de nível de risco. A estabilidade foi moderada a baixa (Jaccard médio $\approx$ 0,56).
• Comparação: Em ambos os datasets, os benchmarks de sobrevivência cumulativa às vezes produziram valores de Silhouette mais altos. Os autores esclarecem que isso não implica superioridade; em vez disso, indica que curvas cumulativas admitem partições coesas baseadas no declínio acumulado, enquanto o método proposto identifica partições baseadas em dinâmicas de risco instantâneo. São questões inferenciais distintas.

5. Significância e Alegações

O artigo afirma que o framework proposto oferece uma ferramenta complementar aos métodos de agrupamento de sobrevivência existentes, particularmente quando o objetivo científico é compreender a evolução temporal do risco em vez de apenas o resultado final de sobrevivência.

• Interpretabilidade: O método fornece uma representação interpretável de dinâmicas de risco temporais relativas, onde os clusters são definidos por padrões compartilhados na magnitude e no tempo dos picos de risco.
• Robustez: A abordagem é robusta à complexidade estrutural e funções de risco sobrepostas, superando benchmarks que dependem de probabilidades cumulativas ou coeficientes de spline brutos.
• Modéstia: Os autores declaram explicitamente que os resultados de dados do mundo real devem ser vistos como agrupamentos funcionais exploratórios e não como classificações clínicas definitivas. Eles reconhecem limitações, incluindo a falta de propagação total de incerteza dos dados ao nível do indivíduo para a análise ao nível da curva e a sensibilidade dos resultados ao número de trajetórias agregadas disponíveis.

Em conclusão, o artigo argumenta que, ao modelar dados de sobrevivência como objetos funcionais na escala de log-risco, pesquisadores podem descobrir dinâmicas de risco latentes que são geometricamente obscurecidas pelas análises tradicionais de sobrevivência cumulativa.