Baseline clinical predictors of long-term survival in a large prostate cancer cohort: a comparative prognostic modelling study using Cox, random survival forest and Hybrid-Cox approaches

Resumo Técnico: Preditores Clínicos de Base para a Sobrevivência a Longo Prazo no Cancro da Próstata

Definição do Problema
A avaliação prognóstica precisa no momento do diagnóstico é crítica para a estratificação de risco e o planeamento do acompanhamento no cancro da próstata. No entanto, em contextos clínicos e de registos do mundo real, são frequentemente disponibilizadas apenas um conjunto limitado de variáveis estruturadas de base. Embora os modelos de sobrevivência de aprendizagem automática (ML) ofereçam flexibilidade para capturar não-linearidades e interações, permanece incerto se estes proporcionam vantagens clinicamente significativas sobre as abordas de regressão convencional quando os dados estão limitados a um pequeno número de preditores de rotina (idade, estágio clínico e grau tumoral). Este estudo aborda a lacuna na evidência comparativa relativa ao desempenho de modelos de ML flexíveis versus métodos tradicionais em grandes coortes de cancro da próstata do mundo real com informação de base limitada.

Metodologia
O estudo utilizou o conjunto de dados Simulacrum v2.1.0, um recurso de registo de cancro sintético derivado do National Cancer Registration and Analysis Service (NCRAS) em Inglaterra, compreendendo aproximadamente 170.000 casos de cancro da próstata diagnosticados entre 2016 e 2019.

• Construção da Coorte: Foram incluídos pacientes que apresentavam um diagnóstico primário de cancro da próstata (ICD-10 C61), uma data de diagnóstico rastreável e acompanhamento suficiente. Registos com zero de acompanhamento ou inconsistências lógicas foram excluídos. A coorte final foi dividida num conjunto de treino (70%) e um conjunto de teste independente (30%) ao nível do paciente.
• Preditores: A análise foi restrita a três variáveis de base disponíveis no diagnóstico: idade (contínua), estágio clínico (categórica, incluindo uma categoria "Desconhecido") e grau tumoral (categórica, incluindo uma categoria "Desconhecido"). As categorias "Desconhecido" foram mantidas como níveis válidos para refletir a realidade dos dados de registo.
• Modelos Comparados:
  1. Cox Proportional Hazards (CoxPH): Serviu como o benchmark interpretável.
  2. Random Survival Forest (RSF): Um método de ensemble não paramétrico capaz de capturar efeitos não lineares e interações sem pressupostos paramétricos.
  3. Hybrid-Cox: Uma abordagem de dois estágios onde os escores de risco derivados de RSF e os preditores lineares de Cox foram inseridos conjuntamente num segundo modelo de Cox para equilibrar flexibilidade com interpretabilidade.
• Métricas de Avaliação: O desempenho foi avaliado utilizando o índice de concordância de Harrell (C-index), a Área Sob a Curva (AUC) dependente do tempo aos 1, 3 e 5 anos, Brier scores, Brier Score Integrado (IBS), gráficos de calibração de 5 anos e estratificação de Kaplan–Meier.

Principais Resultados

• Capacidade Discriminativa: Todos os três modelos demonstraram uma capacidade discriminativa global semelhante no conjunto de teste independente, com valores de C-index variando entre 0.704 (RSF), 0.726 (CoxPH) e 0.725 (Hybrid-Cox).
• Comparação de Modelos:
  • RSF: Embora a RSF tenha mostrado um C-index ligeiramente superior no conjunto de treino (0.738), não superou consistentemente o modelo de Cox no conjunto de teste e apresentou um erro de previsão ligeiramente superior (IBS: 0.106 vs. 0.103 para o CoxPH).
  • Hybrid-Cox: Esta abordagem proporcionou melhorias pequenas, mas relativamente estáveis, em métricas selecionadas de longo prazo. Alcançou a maior AUC de 5 anos (0.780) e o menor IBS (0.099).
• Calibração e Estratificação: O modelo Hybrid-Cox demonstrou o acordo mais próximo entre os riscos de mortalidade observados e previstos aos 5 anos. Quando utilizado para estratificar pacientes em grupos de baixo, médio e alto risco, o modelo Hybrid-Cox produziu curvas de sobrevivência Kaplan–Meier claramente separadas, com diferenças estatisticamente significativas.
• Importância dos Preditores: A análise de importância de variáveis no modelo RSF confirmou que o estágio clínico era o fator prognóstico dominante. O grau tumoral contribuiu menos, devido em grande parte à elevada proporção (95.1%) de registos "Desconhecidos" no conjunto de dados. Curiosamente, os próprios indicadores das categorias "Desconhecido" apareceram como características influentes, provavelmente refletindo a complexidade dos casos ou padrões de documentação, em vez de significância biológica.

Significado e Alegações
O artigo defende que, em grandes coortes de cancro da próstata onde a informação de base é limitada a variáveis clínicas de rotina, os modelos de Cox convencionais continuam a ser um benchmark forte e interpretável. O estudo desafia a suposição de que o aumento da complexidade do modelo se traduz automaticamente em ganhos preditivos substanciais em contextos de baixa dimensionalidade.

A principal contribuição é a demonstração de que, embora a abordagem Hybrid-Cox ofereça melhorias modestas mas consistentes na discriminação e calibração a longo prazo, estas melhorias são incrementais em vez de transformadoras. Os resultados sugerem que, para a estratificação de risco inicial em ambientes de recursos limitados ou baseados em registos, os modelos de regressão mais simples são altamente competitivos. O estudo conclui que o valor das estratégias híbridas reside na sua capacidade de fornecer uma estrutura de regressão transparente enquanto incorpora ganhos não lineares menores, em vez de substituir os benchmarks clínicos estabelecidos.

Limitações Reconhecidas
Os autores notam explicitamente que o estudo se baseia num conjunto de dados sintético (Simulacrum) em vez de uma coorte clínica do mundo real, o que limita a validade externa. Além disso, o modelo foi restrito a três variáveis de base, excluindo fatores críticos como níveis de PSA, comorbilidades, detalhes de tratamento e marcadores moleculares. Consequentemente, os autores enquadram o trabalho como uma comparação metodológica de estratégias de modelação de sobrevivência sob restrições, em vez de uma proposta de uma ferramenta de predição clínica totalmente implementável.