Resumo Técnico: Regras de Pontuação Adequadas para Dados de Sobrevivência com Censura à Direita

Definição do Problema

Na análise de sobrevivência e na modelagem de tempo até o evento, o objetivo primário é frequentemente prever a distribuição completa do tempo de evento condicional $F_X$ dado os covariáveis $X$, em vez de apenas estimar tempos médios de sobrevivência ou taxas de risco. Regras de pontuação adequadas (proper scoring rules) fornecem uma base teórica rigorosa para treinar e avaliar tais previsões probabilísticas, garantindo que a distribuição preditiva verdadeira seja ótima em expectativa.

No entanto, surge uma dificuldade fundamental na presença de censura à direita. Nestes cenários, o tempo de evento latente $T$ não é totalmente observado; em vez disso, observa-se $Y = \min(T, C)$ e o indicador de evento $\Delta = \mathbb{1}\{T \le C\}$, onde $C$ é o tempo de censura, e $C$ é o tempo de censura. Abordagens existentes frequentemente dependem de Ponderação pelo Inverso da Probabilidade de Censura (IPCW) ou estimativas de plug-in onde os pesos dependem da própria previsão. O artigo destaca que a ponderação dependente da previsão pode levar a "reversões de ranking", onde previsões subótimas são incorretamente classificadas acima da previsão oráculo, e que implementações padrão de IPCW podem falhar em ser estritamente adequadas se não considerarem corretamente a independência condicional.

Metodologia

Os autores propõem um framework unificado para definir regras de pontuação adequadas sob censura à direita baseado em um princípio central: pontuar a previsão após aplicar a mesma operação de coalescência (coarsening) que gerou os dados.

1. Localização e Marginalização

O framework distingue dois cenários baseados na natureza do mecanismo de censura:

• Pontuações Localizadas (Censura Fixa): Para um tempo de censura fixo $c$, a distribuição preditiva $F$ é primeiro mapeada para o espaço de resultados censurados. A lei censurada $F^\flat_c$ é definida de tal forma que a massa de probabilidade na região identificável $[0, c]$ permanece inalterada, enquanto toda a massa além de $c$ é colapsada em um estado censurado $\ast$. A pontuação adequada é então aplicada a esta lei censurada induzida. Isso resulta em uma pontuação que é estritamente adequada para a lei latente apenas na região identificável.
• Pontuações Marginalizadas (Censura Aleatória): Quando o tempo de censura $C$ é aleatório e apenas parcialmente observado (por exemplo, sabemos que $C \ge Y$ se um evento for observado), a pontuação localizada é calculada pela média sobre a lei condicional de $C$ dado os dados observados $(Y, \Delta, X)$.
  • A pontuação marginalizada $\bar{S}$ é definida como:
    $$\bar{S}(F; Y, \Delta, X) = \int S^\flat_c(F; Y, \Delta) \, \Pi(dc \mid Y, \Delta, X)$$
  • Crucialmente, a distribuição de ponderação $\Pi$ é derivada exclusivamente do mecanismo de censura (a distribuição real ou estimada de $C$), não da previsão $F$ que está sendo avaliada. Isso garante que a pontuação permaneça independente da previsão.

2. Derivação de Pontuações Específicas

Os autores demonstram que este framework recupera critérios familiares e estende-os a novos:

• Pontuação Logarítmica: A versão marginalizada recupera o log-verossimilhança negativa padrão para censura à direita.
• CRPS (Continuous Ranked Probability Score): Uma versão marginalizada é derivada que pondera o erro da cauda pelo tempo de sobrevivência condicional do tempo de censura.
• Brier Score: O framework produz um Brier score marginalizado que, quando reescalonado, é equivalente ao Brier score por IPCW, mas derivado sem pesos dependentes da previsão.
• Perda Pinball e Energy Score: Novas versões à direita da Pinball loss e do Energy score são derivadas, adequadas para regressão de quantis e modelagem de distribuição multivariada, respectivamente.

3. Engressão Censurada (Censored Engression)

Estendendo o princípio de localização por censura para o treinamento, os autores introduzem a engressão censurada. Este é um objetivo de aprendizado baseado em amostras para modelagem de sobrevivência multivariada com censura à direita.

• Em vez de treinar um gerador $g(x, \epsilon)$ para corresponder aos tempos de eventos latentes (que não são observados), o método aplica o mapa de censura $\psi_c$ tanto aos exemplos gerados quanto aos resultados observados.
• O modelo é treinado para minimizar o energy score censurado, que compara a distribuição dos exemplos gerados censurados contra os resultados observados censurados.
• Esta abordagem permite a modelagem conjunta flexível de tempos de eventos multivariados sem exigir uma função de verossimilhança tratável.

Principais Contribuições

1. Framework Unificado: Uma construção coerente de regras de pontuação adequadas para dados com censura à direita ao censurar a distribuição preditiva antes da pontuação, em vez de ponderar a pontuação com base na previsão.
2. Garantias Teóricas: Prova de que a pontuação marginalizada é adequada sob censura independente condicional e estritamente adequada na região identificável (a região onde o mecanismo de censura permite distinguir a distribuição latente).
3. Derivação de Pontuações Concretas: Fórmulas explícitas para versões à direita da pontuação Logarítmica, CRPS, perda Pinball, Brier score e Energy score, esclarecendo sua relação com os critérios existentes baseados em IPCW.
4. Engressão Censurada: Um novo objetivo de treinamento para modelagem de sobrevivência multivariada que utiliza o energy score censurado para aprender distribuições conjuntas flexíveis a partir de dados censurados.
5. Validação Empírica: Demonstração de que pontuações independentes da previsão classificam corretamente a previsão oráculo através de vários regimes de censura, enquanto versões de plug-in dependentes da previsão podem exibir reversões de ranking.

Resultados Experimentais

O artigo valida a metodologia através de simulações controladas e um estudo de caso clínico:

• Avaliação de Previsão: Em simulações com processos geradores de dados (DGPs) conhecidos, as pontuações marginalizadas e localizadas propostas classificaram consistentemente a previsão oráculo como a melhor (Rank 1) através de regimes de censura administrativa, aleatória independente e condicionalmente independente. Em contraste, as versões de plug-in dependentes da previsão de pontuações existentes (como de Yanagisawa [3]) frequentemente falharam, classificando o oráculo abaixo de previsões de exploração que concentram massa na cauda.
• Aprendizado Multivariado: Em experimentos sintéticos com tempos de eventos multivariados (dimensões $k=2$ a $10$) e um DGP de mistura log-normal complexa, a engressão censurada superou substancialmente:
  • Engressão observada ingênua: Que trata tempos censurados como totalmente observados, levando a distribuições preditivas pobres.
  • Baselines baseados em verossimilhança: Incluindo modelos Weibull e Copula. Embora tenham performado melhor que o treinamento ingênuo, foram superados pela engressão censurada, particularmente na captura de distribuições multimodais que estão fora das famílias paramétricas dos baselines.
• Estudo de Caso Clínico (AKI de UTI): Aplicado à previsão do tempo conjunto para eventos de lesão renal aguda (AKI) baseada em creatinina e débito urinário usando dados do MIMIC-IV. A engressão censurada alcançou os menores scores de energia localizados e Brier scores em comparação com o treinamento ingênuo e baselines baseados em verossimilhança, demonstrando desempenho melhorado na modelagem de desfechos clínicos conjuntos sob censura.

Significância e Alegações

O artigo argumenta que a avaliação e o treinamento probabilísticos censurados devem ser construídos sobre ajustes de censura independentes da previsão.

• Correção dos Alvos de Avaliação: Ao basear os pesos exclusivamente no mecanismo de censura, as pontuações propostas preservam a propriedade de "ranking oráculo". Isso evita a circularidade onde uma previsão influencia seus próprios pesos de avaliação, o que pode distorcer o cenário de otimização e levar a reversões de ranking.
• Flexibilidade na Modelagem: A introdução da engressão censurada fornece um caminho para aprender distribuições de sobrevivência complexas, de alta dimensão e multivariadas sem as restrições de verossimilhanças paramétricas.
• Identificabilidade: Os autores notam modestamente que a propriedade estrita é alcançável apenas na região identificável do espaço latente. Fora desta região (por exemplo, nas caudas além do horizonte de acompanhamento), nenhuma regra de pontuação baseada apenas em dados censurados pode distinguir entre diferentes distribuições latentes que induzem a mesma lei observada.

Em resumo, o trabalho fornece um framework teoricamente sólido e praticamente eficaz para lidar com dados com censura à direita em previsões probabilísticas, preenchendo a lacuna entre a teoria rigorosa de regras de pontuação e os desafios práticos da análise de sobrevivência.