Dynamic Prediction of Alternating Recurrent Events via Neural Network

Resumo Técnico: Predição Dinâmica de Eventos Recorrentes Alternados via Redes Neurais

Definição do Problema
Eventos recorrentes alternados — resultados onde um evento primário (ex: hospitalização, episódio depressivo) desencadeia um período refratário secundário durante o qual o indivíduo não está em risco para o evento primário — ocorrem frequentemente em bioestatística, ciências comportamentais e justiça criminal. Analisar esses eventos apresenta desafios estatísticos únicos: os dois tipos de eventos são mutuamente exclusivos, criando riscos competitivos; as observações são correlacionadas; e os dados estão sujeitos a censura. Abordagens tradicionais frequentemente dependem de processos de Markov baseados em estados ou modelos de intensidade semiparamétricos (ex: extensões baseadas em Cox). No entanto, esses métodos frequentemente enfrentam dificuldades com a questão do "tempo de intervalo dependente" (dependent gap-time) ou exigem que os analistas especifiquem relações paramétricas entre covariáveis e desfechos. Além disso, as ferramentas de predição dinâmica existentes para eventos recorrentes raramente abordam a predição "online" ou em tempo real, onde o perfil de risco de um indivíduo é atualizado continuamente com base na experiência recém-observada, particularmente para estruturas de eventos alternados.

Metodologia
Os autores propõem um framework de predição dinâmica online que combina pseudo-observações com aprendizado profundo (deep learning) para prever o tempo até o próximo evento recorrente primário alternado sobre uma janela de acompanhamento fixa ($\tau$). A metodologia procede através de quatro estáções principais:

1. Transformação de Dados: Seguindo a abordagem de Tayob e Murray (2015), os autores transformam a linha do tempo de eventos recorrentes alternados em um conjunto de dados longitudinais censurados. Em tempos de verificação (check-in) pré-especificados $t$, os dados são reestruturados para identificar o tempo até o primeiro evento observado após $t$. Crucialmente, esta estrutura contabiliza o status de "em risco" ($R_i(t)$); indivíduos atualmente em um período refratário (secundário) são marcados como não estando em risco para o evento primário, tornando seu tempo de evento primário não observado naquele momento.
2. Pseudo-observações: Para lidar com a censura independente, os autores constroem pseudo-observações para o tempo de sobrevivência restrito por $\tau$, $E[\min\{T_i(t), \tau\}]$. Utilizando uma metodologia jack-knife (Andersen et al., 2003), estas pseudo-observações substituem o desfecho de sobrevivência censurado, permitindo a modelagem por regressão.
3. Ponderação pela Probabilidade Inversa (IPW): Para corrigir o viés introduzido pela seleção não aleatória de sujeitos no conjunto "em risco" (devido à natureza alternada dos eventos), o framework emprega pesos de probabilidade inversa. A probabilidade de estar em risco, $P(R_i(t)=1 | \bar{Z}_i(t))$, é estimada usando uma rede de Long Short-Term Memory (LSTM) ou uma Floresta Aleatória (Random Forest) longitudinal. Esses pesos são incorporados à função de perda do modelo de predição.
4. Modelos de Predição: Dois modelos de predição dinâmica são propostos:
   • Modelo baseado em LSTM: Uma arquitetura de rede neural utilizando LSTMs para modelar as pseudo-observações. Esta abordagem aproveita mecanismos de portão (gating) para incorporar dados de covariáveis históricas e lida com relações complexas e não lineares sem a necessidade de especificar formas funcionais.
   • Modelo Semiparamétrico Ponderado: Uma abordagem de Equações de Estimativas Generalizadas (GEE) que ajusta um modelo linear às pseudo-observações ponderadas. Este serve como um benchmark semiparamétrico oferecendo interpretabilidade.

Principais Contribuições

• Framework Inovador: Este é o primeiro modelo de predição dinâmica proposto especificamente para eventos recorrentes alternados em um cenário online.
• Integração de ML e Estatística: O artigo une a lacuna entre a análise de sobrevivência estatística e o aprendizado de máquina moderno ao adaptar arquiteturas LSTM para dados longitudinais censurados usando pseudo-observações e IPW.
• Tratamento de Períodos Refratários: O método aborda explicitamente o status de "em risco", garantindo que as predições para o evento primário não sejam enviesadas pelo tempo passado no estado secundário (refratário).
• Comparação de Estratégias de Ponderação: O estudo avalia se o LSTM ou a Floresta Aleatória é superior para estimar os pesos de probabilidade inversa necessários para debiasar os modelos de predição.

Resultos
Os métodos propostos foram avaliados através de estudos de simulação e uma aplicação aos dados do Intern Health Study (IHS), prevendo períodos de baixo humor para residentes médicos do primeiro ano.

• Simulação: Em cenários com relações de covariáveis complexas e tempos de intervalo correlacionados, o modelo de predição dinâmica baseado em LSTM demonstrou desempenho superior em comparação aos modelos GEE semiparamétricos (tanto "Oracle" quanto "Main Effects") em termos de C-estatística (discriminação) e Soma do Erro Quadrático da Raiz (RESS), particularmente conforme o histórico de dados se acumulava. Embora o LSTM tenha mostrado um viés ligeiramente maior em alguns contextos (um clássico compromisso entre viés e variância), sua discriminação preditiva foi excepcional, frequentemente excedendo o modelo oracle semiparamétrico. Tanto o LSTM quanto a Floresta Aleatória apresentaram desempenho similar quando utilizados para estimar os pesos de probabilidade inversa necessários para debiasar os modelos de predição.
• Aplicação (IHS): Quando aplicado a dados do mundo real, o modelo LSTM alcançou uma C-estatística máxima de aproximadamente 0,97, superando significativamente o modelo GEE Main Effects (C-estatística máxima ~0,82). O modelo LSTM utilizando pesos derivados de LSTM apresentou o menor RESS após os primeiros 300 dias de acompanhamento.

Significância e Alegações
Os autores alegam que seu framework fornece uma ferramenta robusta para a tomada de decisão clínica em tempo real, especificamente para identificar momentos oportunos para intervenção (ex: alertas em aplicativos móveis para residentes médicos). A significância do trabalho reside na sua capacidade de alavancar o poder preditivo do aprendizado profundo (especificamente LSTMs) enquanto mantém o rigor estatístico através de pseudo-observações e ponderação de probabilidade inversa para lidar com censura e estruturas de eventos alternados.

O artigo reconhece modestamente que, embora a abordagem LSTM ofereça precisão preditiva superior, ela opera como uma "caixa preta" em comparação com a abordagem semiparamétrica GEE. A falta de estimativas de parâmetros interpretáveis no modelo de rede neural significa que a forma funcional específica de como as covariáveis históricas influenciam o desfecho permanece opaca, apesar do uso de embeddings. Os autores enfatizam que o sucesso do LSTM depende fortemente da seleção cuidadosa de hiperparâmetros e da disponibilidade de histórico longitudinal suficiente, observando que o método não é robusto a escolhas aleatórias de hiperparâmetros. Eles concluem que, embora os métodos de aprendizado de máquina se destaquem na predição, a área ainda está defasada no fornecimento das provas estatísticas teóricas (consistência, identificabilidade) que sustentam os métodos estatísticos tradicionais.