Neural Networks for net survival estimation and prediction

Resumo Técnico: Redes Neurais para Estimativa e Predição de Sobrevivência Líquida

Definição do Problema
A sobrevivência líquida é uma métrica crítica na oncologia, representando a probabilidade de sobrevivência em um mundo contrafactual onde o câncer é a única causa possível de morte. Esta métrica permite a comparação da mortalidade relacionada ao câncer entre populações com diferentes expectativas de vida. Embora os estimadores não paramétricos como o estimador de Pohar-Perme (PP) sejam não enviesados, eles são limitados a análises estratificadas, exigindo grandes amostras para manter o poder estatístico ao ajustar múltiplos covariáveis. Por outro lado, regressões de risco excessivo paramétricas e semiparamétricas (ex: modelos baseados em splines) ofeream flexibilidade, mas dependem de suposições como riscos proporcionais (PH) e log-linearidade. Violações dessas suposições, ou a omissão de interações importantes, podem levar à especificação incorreta do modelo e a estimativas enviesadas. A prática atual frequentemente envolve uma estratificação complexa para evitar essas violações, o que reduz o tamanho efetivo da amostra para cada análise.

Metodologia
Os autores propõem uma abordagem de aprendizado de máquina baseada na Rede Neural Artificial Logística Parcial (PLANN), originalmente desenvolvida para predição de sobrevida global, adaptada aqui para estimativa e predição de sobrevivência líquida.

• Adaptação da PLANN: O método discretiza o tempo em intervalos $\tau_l$. Ele modela a probabilidade condicional de morte em um intervalo, dado que houve sobrevivência até o intervalo anterior, utilizando uma rede neural com uma camada oculta e uma função de ativação logística. As entradas da rede incluem intervalos de tempo e variáveis explicativas ($Z_i$).
• Decomposição do Risco Excessivo: O modelo estima a sobrevida global ($\hat{S}_{oi}$) e deriva o risco global. O risco excessivo individual ($\hat{\lambda}_{ei}$) é calculado subtraindo o risco populacional (derivado de tabelas de vida baseadas em idade, sexo e período) do risco global estimado.
• Cálculo da Sobrevivência Líquida: A sobrevivência líquida individual é computada integrando o risco excessivo. A sobrevivência líquida marginal é então derivada ponderando as estimativas individuais.
• Estrutura Comparativa: O estudo compara a PLANN contra:
  1. Estimador PP Não Paramétrico: O padrão de referência.
  2. Regressões de Risco Excessivo Baseadas em Splines: Modelos de Riscos Proporcionais (PH) e Não Proporcionais (NPH) utilizando splines cúbicos restritos (RCS).
• Estratégia de Validação: O desempenho foi avaliado através de extensas simulações (variando tamanhos de amostra, suposições de PH/NPH e interações) e uma aplicação no mundo real usando uma coorte de câncer colorretal da Eslovênia. As métricas incluíram viés, Erro Quadrático Médio (RMSE), Log-Verossimilhança e a Área Sob a Curva ROC de Sobrevivência Líquida (AUC). Os hiperparâmetros para a PLANN (nós ocultos, decaimento, intervalos de tempo) foram otimizados via validação cruzada de 10 dobras.

Principais Contribuições

1. Adaptação Algorítmica: A adaptação bem-sucedida da PLANN para sobrevivência líquida, permitindo a estimativa de riscos excessivos sem suposições paramétricas estritas quanto à proporcionalidade de risco ou linearidade.
2. Desenvolvimento de Software: A introdução do pacote R survivalPLANN, que facilita o treinamento do algoritmo, a validação cruzada e a predição tanto da sobrevida global quanto da líquida.
3. Avaliação Abrangente: Uma comparação rigorosa demonstrando que redes neurais podem capturar estruturas de dados complexas (riscos não proporcionais e interações) que modelos tradicionais baseados em splines podem perder se não forem explicitamente especificados.

Resultos

• Viés e Precisão: Nos estudos de simulação, a PLANN produziu um baixo viés comparável tanto ao estimador PP quanto aos modelos flexíveis baseados em splines, mesmo sob riscos não proporcionais e cenários de interações complexas onde os modelos PH padrão falharam significativamente.
• Variância e RMSE: Um achado consistente em todas as simulações e na aplicação no mundo real foi que a PLANN exibiu valores de RMSE ligeiramente mais altos em comparação com os métodos baseados em splines. Isso indica uma maior variância nas estimativas da rede neural.
• Sensibilidade ao Tamanho da Amostra: O problema da variância foi exacerbado em amostras menores (ex: $n=500$). Enquanto os modelos baseados em splines mantiveram um desempenho relativamente estável com dados reduzidos, a PLANN mostrou um aumento mais rápido no RMSE e sinais de overfitting (AUC de treinamento maior que a AUC de validação) em coortes menores.
• Aplicação no Mundo Real: Na análise de 5.971 pacientes eslovenos com câncer colorretal, as predições da PLANN aproximaram-se de perto do estimador PP e foram frequentemente mais próximas da referência do que os modelos baseados em splines, particularmente em subgrupos. No entanto, as predições da PLANN exibiram intervalos de confiança mais amplos.
• Discriminação: Na aplicação no mundo real, a PLANN demonstrou menor capacidade discriminativa (AUC) em comparação com os modelos baseados em splines, um contraste com os resultados das simulações onde as AUCs foram geralmente comparáveis.

Significância e Alegações
O artigo alega que a PLANN representa uma alternativa flexível para a estimativa de sobrevivência líquida, particularmente valiosa quando a estrutura dos dados é complexa (envolvendo riscos não proporcionais ou interações) e quando se deseja evitar a perda de poder associada às análises estratificadas. Os autores enfatizam que a capacidade do método de relaxar as suposições de proporcionalidade de risco e log-linearidade é sua principal vantagem.

Contudo, os autores mantêm uma postura modesta em relação às limitações do método. Eles afirmam explicitamente que a maior variância das estimativas baseadas em aprendizado de máquina pode limitar sua utilidade em estudos com amostras reduzidas em comparação com abordagens tradicionais baseadas em modelos. O artigo conclui que, embora a PLANN seja eficaz para estimativa e predição, sua aplicação deve ser ponderada contra as restrições de tamanho de amostra, sendo particularmente adequada para coortes de alta definição com dados multimodais onde interações complexas são esperadas, mas difíceis de modelar parametricamente. Os autores não alegam que a PLANN supera os métodos existentes em todos os contextos, mas que oferece uma ferramenta complementar para cenários onde a especificação incorreta do modelo é uma preocupação primária.