Resumo Técnico: OncoSynth

Definição do Problema

Na oncologia de precisão, a geração de evidências clínicas depende fortemente de conjuntos de dados de grande escala ao nível do paciente, como registros de câncer e prontuários eletrônicos. No entanto, o acesso a esses dados é frequentemente restrito devido a questões de governança, legais e éticas, bem como ao risco de reidentificação de pacientes. Embora a geração de dados sintéticos ofereça uma solução potencial ao criar conjuntos de dados artificiais que reproduzem as propriedades estatísticas dos dados reais de pacientes, os métodos existentes sofrem de uma limitação crítica: eles falham em preservar as relações causais entre covariáveis, tratamentos e desfechos.

Os modelos generativos de última geração atuais (ex: Autoencoders Variacionais, GANs e modelos de difusão como o TabDiff) tipicamente modelam covariáveis, atribuição de tratamento e desfechos de forma conjunta. Essa abordagem ignora a ordenação cronológica e causal dos eventos clínicos. Consequentemente, esses modelos podem aprender dependências espúrias onde desfechos futuros influenciam atribuições de tratamento passadas (vazamento de informação/information leakage), levando a estimativas sistematicamente enviesadas de efeitos de tratamento. Embora tais dados possam ser suficientes para tarefas preditivas, como pontuação de risco, eles são não confiáveis para tarefas de inferência causal, como a estimativa do Efeito Médio do Tratamento (ATE) ou do Efeito Individual do Tratamento (ITE), que são essenciais para avaliar estratégias terapêuticas.

Metodologia: Estrutura OncoSynth

Para abordar essas limitações, os autores introduzem o OncoSynth, uma estrutura de aprendizado de máquina generativa e causalmente consciente, projetada especificamente para a oncologia. O OncoSynth emprega uma abordagem sequencial baseada em difusão que espelha o processo de geração de dados clínicos ao decompor a geração em três etapas distintas e cronologicamente ordenadas:

1. Geração de Covariáveis do Paciente: A estrutura primeiro gera as características do paciente (ex: idade, tamanho do tumor, status de receptor) usando um modelo de difusão tabular de última geração (TabDiff). Esta etapa captura a distribuição conjunta das covariáveis do paciente ($\hat{P}_X$).
2. Modelagem de Atribuição de Tratamento: Condicional às covariáveis geradas, a estrutura modela o mecanismo de atribuição de tratamento ($\hat{P}_{W|X}$). Isso é implementado por meio de um classificador binário (regressão logística com calibração de regressão isotônica) para prever a probabilidade de tratamento com base nas características do paciente, garantindo que os dados sintéticos reflitam padrões realistas de alocação de tratamento.
3. Geração de Desfecho: Finalmente, os desfechos de sobrevivência são gerados condicionais tanto às covariáveis quanto ao tratamento atribuído ($\hat{P}_{Y|X,W}$). Esta etapa utiliza Florestas de Sobrevivência Aleatórias (RSFs) dentro de uma estrutura de T-learner para modelar dados de tempo até o evento, contabilizando tanto o tempo de sobrevivência observado quanto o status de censura.

Ao fatorizar a distribuição conjunta como $\hat{P}_{X,W,Y} = \hat{P}_X \cdot \hat{P}_{W|X} \cdot \hat{P}_{Y|X,W}$, o OncoSynth garante que a informação flua apenas do passado para o futuro, evitando o vazamento temporal que assola os modelos de geração conjunta.

Configuração Experimental

A estrutura foi avaliada utilizando dois grandes coortes oncológicos do mundo real do registro de câncer Surveillance, Epidemiology, and End Results (SEER):

• Coorte de Câncer de Pulmão: $N = 37.128$ pacientes diagnosticados entre 2004 e 2015. O tratamento foi definido pelo recebimento de radioterapia.
• Coorte de Câncer de Mama: $N = 17.046$ pacientes do sexo feminino com câncer de mama Estágio IIIA-IIIB diagnosticadas entre 2007 e 2015. O tratamento foi definido pela sequenciação de terapia (quimioterapia adjuvante vs. neoadjuvante).

A avaliação comparou o OncoSynth contra dois modelos de base: CTGAN (um método baseado em GAN) e TabDiff (um método baseado em difusão). Notavelmente, o OncoSynth compartilha a mesma arquitetura de difusão subjacente do TabDiff, mas difere em sua estratégia de geração sequencial e causalmente consciente. O desempenho foi avaliado através de cinco execuções independentes com diferentes divisões de treino-teste.

Principais Resultados

1. Fidelidade Estatística

O OncoSynth demonstrou fidelidade superior na reprodução das propriedades estatísticas dos dados originais em comparação aos modelos de base:

• Características do Paciente: Alcançou as menores distâncias de distribuição para covariáveis univariadas (ex: câncer de pulmão $\Delta X = 0,031$ vs. TabDiff $0,046$) e codependências de covariáveis.
• Prevalência de Tratamento e Eventos: O OncoSynth aproximou-se estreitamente da prevalência de tratamento e das taxas de evento/censura dos dados originais, superando significativamente o CTGAN e o TabDiff.
• Desfechos de Sobrevivência: As curvas de Kaplan-Meier geradas pelo OncoSynth mostraram uma sobreposição quase perfeita com as trajetórias de sobrevivência originais. Alcançou a menor distância de Jensen-Shannon para distribuições de tempo de sobrevivência e os menores desvios no Tempo Médio de Sobrevivência Restrito (RMST) em múltiplos horizontes (3, 5, 7 e 10 anos).

2. Utilidade Clínica (Estimativa de Efeito de Tratamento)

A principal contribuição do OncoSynth é sua capacidade de suportar inferência causal subsequente precisa:

• Mecanismo de Atribuição de Tratamento: Os escores de propensão aprendidos a partir dos dados do OncoSynth corresponderam de perto aos dos dados originais, com desvio de distribuição e erro ao nível do paciente significativamente menores em comparação aos modelos de base.
• Efeito Médio do Tratamento (ATE) na População: O OncoSynth reduziu o erro na estimativa do ATE em até 66% em comparação com os métodos existentes. Por exemplo, no câncer de pulmão, o erro do ATE foi de $0,246$ para o OncoSynth versus $1,883$ para o TabDiff.
• Efeito Individual do Tratamento (ITE): O OncoSynth melhorou a precisão da estimativa de efeitos heterogêneos (PEHE) em até 58%. Ele capturou com sucesso as variações específicas do paciente no benefício do tratamento, enquanto os modelos de base exibiram desvios significativos.
• Políticas de Alocação de Tratamento: As políticas derivadas dos dados do OncoSynth alcançaram valores mais altos de Área Sob a Curva Qini (AUQC), indicando uma priorização mais eficaz de pacientes que mais se beneficiariam do tratamento.

Significância e Alegações

O artigo afirma que o Onco clínico fornece uma estrutura de ML causalmente consciente que supera as limitações dos geradores de dados sintéticos existentes na oncologia. Ao modelar explicitamente a cadeia causal de eventos clínicos, o OncoSynth gera coortes sintéticas de alta fidelidade que preservam não apenas as distribuições estatísticas, mas também os mecanismos causais subjacentes de atribuição de tratamento e desfechos.

Os autores sustentam que esta estrutura permite a geração de evidências confiáveis para a oncologia de precisão em cenários onde o compartilhamento de dados é restrito. Especificamente, o OncoSynth suporta:

1. Estimativa Precisa do Efeito de Tratamento: Fornecendo estimativas não enviesadas de ATE e ITE que se alinham com os dados do mundo real.
2. Suporte à Decisão Clínica: Permitindo a derivação de políticas de alocação de tratamento que visam efetivamente subgrupos de pacientes.
3. Reprodutibilidade: Oferecendo um método para gerar conjuntos de dados sintéticos que podem ser usados para validação independente e reprodutibilidade sem expor informações brutas de pacientes.

O estudo conclui que, embora os dados sintéticos não possam substituir a necessidade de uma curadoria de dados rigorosa e possam herdar vieses dos dados de origem, o OncoSynth oferece uma base prática para gerar evidências do mundo real quando o acesso direto aos registros de nível de paciente é limitado.