Regressão de Cox aprende com dados truncados ordens de magnitude mais rápido que o EM

Um grupo de pesquisadores publicou no arXiv o preprint 2610.12538, sobre modelos de sobrevivência treinados em dados filtrados pelo próprio desfecho. Em quatro conjuntos de dados, considerar o truncamento reduz o viés das previsões da regressão de Cox convencional, e, em velocidade, a nova abordagem supera o algoritmo padrão de expectativa-maximização (EM) por ordens de magnitude. O principal resultado teórico: com o risco basal conhecido, o modelo de Cox é treinado por otimização comum de primeira ordem, embora a função de perda seja não convexa.

Uma amostra que distorce o quadro

A maioria dos modelos é treinada partindo do pressuposto de que os dados de treino se parecem com aqueles que o modelo encontrará na prática. Conjuntos de dados reais muitas vezes não atendem a essa condição. Os autores tratam de um caso particular: a observação entra no conjunto de dados em função do seu rótulo. Isso é o que se chama de outcome-dependent truncation, ou truncamento dependente do desfecho. Um exemplo, por raciocínio geral: a coorte inclui apenas quem sobreviveu até o momento de entrada no estudo. As trajetórias curtas simplesmente não aparecem nos dados.

Ao truncamento soma-se a censura à direita. Para parte dos objetos, o evento não ocorreu até o fim da observação, e só se sabe que ele acontecerá depois de determinado ponto. A análise de sobrevivência lida com censura há bastante tempo. Já a literatura sobre aprendizado eficiente sob truncamento se desenvolveu separadamente. O trabalho une essas duas linhas.

O que foi provado e onde está a armadilha

Os métodos existentes para sobrevivência truncada não descreviam a geometria do problema de otimização. Eles se apoiavam em procedimentos iterativos como o EM, que funcionam, mas são lentos e não oferecem garantias sobre o panorama da função de perda. Os autores preenchem essa lacuna.

Resultado para o risco basal conhecido: a regressão de Cox em dados truncados e censurados à direita pode ser aprendida com eficiência por métodos de primeira ordem. A não linearidade não atrapalha aqui, embora o problema seja não convexo.

Se, porém, o risco basal é estimado junto com os demais parâmetros, o quadro muda. Os pesquisadores constroem modelos identificáveis e corretamente especificados, mas cuja log-verossimilhança negativa tem mínimos locais estritamente subótimos. O método de gradiente para nesse ponto, embora a solução verdadeira esteja em outro lugar. A conclusão prática: formular o problema corretamente, por si só, não garante que o otimizador chegue à resposta.

O que os experimentos mostraram

A validação foi feita em quatro conjuntos de dados de sobrevivência. Os autores compararam a regressão de Cox ingênua, que ignora o truncamento, com a variante que o leva em conta.

• A regressão de Cox ingênua produz previsões enviesadas quando os dados são truncados pelo desfecho.
• Considerar o truncamento reduz esse viés nos quatro conjuntos de dados.
• A abordagem se estende do modelo linear para redes neurais.
• Contra o EM padrão, é declarado um ganho de velocidade de ordens de magnitude.
• As garantias de convergência são provadas para o risco basal conhecido; para o treinamento conjunto, são apresentados contraexemplos com mínimos locais.

Onde isso pode ser útil

O preprint ainda não passou por revisão por pares, e o resumo não traz os nomes dos conjuntos de dados nem os valores exatos do viés. Por isso, é melhor verificar a escala do efeito no texto completo e no código publicado, caso ele apareça.

Para quem trabalha na prática, a conclusão é a seguinte. Se a sua amostra é formada por uma condição ligada ao desfecho, como em registros médicos, dados de seguros, churn de clientes ou estimativa da vida útil de equipamentos, o modelo de Cox ingênuo vai errar de forma sistemática. Quando a forma do risco basal pode ser obtida de fontes externas, vale fixá-la e usar a otimização por gradiente, que tem garantias.

Se o risco basal precisa ser aprendido junto com o modelo, é preciso rodar a otimização a partir de vários pontos iniciais e comparar os resultados. Para equipes em que o EM era o gargalo em amostras grandes, um ganho de ordens de magnitude significa poder retreinar os modelos com mais frequência e testar mais arquiteturas.