DOI: https://doi.org/10.3934/math.2026235
تاريخ النشر: 2026-01-01
المؤلف: Gustavo Soutinho وآخرون
الموضوع الرئيسي: طرق إحصائية واستدلال
نظرة عامة
تتناول هذه الدراسة التحديات التي تطرحها بيانات التقطيع الزمني في تحليل البقاء، حيث تُعرف أوقات الأحداث بأنها تحدث فقط ضمن فترات المراقبة المحددة. غالبًا ما تفشل طرق الإحلال التقليدية، مثل الإحلال عند منتصف الفترة، في التقاط عدم اليقين المرتبط بهذا النوع من التقطيع بشكل كافٍ. تقارن الأبحاث عدة استراتيجيات للإحلال، بما في ذلك الإحلال عند منتصف الفترة القياسي، والإحلال القائم على نموذج الوقت المتسارع للفشل (AFT)، ونهج التعلم الآلي باستخدام XGBoost، وطريقة إعادة توزيع خطية جديدة مقاسة. تكشف دراسة محاكاة شاملة وتحليلات لثلاث مجموعات بيانات حقيقية أن الإحلال القائم على XGBoost يظهر أداءً قويًا عبر مستويات مختلفة من التقطيع الأيمن، مما ينتج تقديرات بقاء قابلة للمقارنة مع تلك الناتجة عن مقدر Turnbull غير المعلمي. بالمقابل، يكون الإحلال عند منتصف الفترة فعالًا تحت التقطيع الخفيف، بينما تكون النماذج المعلمية حساسة لافتراضات التوزيع، مما يؤدي إلى تحيزات محتملة تحت التقطيع الثقيل.
يجمع الإطار المقترح بين الإحلال القائم على النموذج مع خطوة إعادة القياس لضمان التناسق مع فترات التقطيع الملاحظة، مما يحافظ على تباين المستوى الفردي والترتيب النسبي لأوقات الأحداث. تعتبر طريقة إعادة التوزيع الخطية المقاسة حاسمة في إعادة توجيه توقعات النموذج إلى فترات التقطيع المقابلة، مما يتجنب التناقضات مع الحفاظ على التشتت لتقدير موثوق للبقاء. تشير النتائج إلى أنه على الرغم من عدم وجود طريقة إحلال واحدة مثالية عالميًا، فإن XGBoost فعالة بشكل خاص تحت التقطيع المنخفض إلى المعتدل، بينما توفر نماذج AFT المعلمية استقرارًا تحت التقطيع العالي. ستركز الأعمال المستقبلية على التحقق من الأداء التنبؤي على مجموعات بيانات مستقلة وتطوير حزمة R لتنفيذ طريقة إعادة التوزيع الخطية المقاسة، مع الأخذ في الاعتبار سيناريوهات أكثر تعقيدًا مثل المتغيرات التابعة للوقت.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية تحليل البقاء في مجالات مختلفة، لا سيما في التعامل مع البيانات المقطوعة، والتي تحدث عندما يكون توقيت حدث معين غير معروف ولكنه يقع ضمن فترات مراقبة معينة. يتم تسليط الضوء على التقطيع الزمني كقضية شائعة في الدراسات الطولية، مما يتطلب طرقًا قوية لتقدير دوال البقاء بدقة. تتطلب الطرق التقليدية مثل مقدر Kaplan-Meier تعديلات لمعالجة هذا التحدي، بينما الخيارات غير المعلمية مثل مقدر Turnbull، على الرغم من كونها مفيدة، محدودة في قدرتها على دمج المتغيرات. تؤكد الورقة على الحاجة إلى استراتيجيات إحلال محسّنة للملاحظات المقطوعة، مقدمة طريقة إعادة التوزيع الخطية المقاسة لضمان بقاء القيم المحلولة ضمن حدود التقطيع، مما يعزز موثوقية تقديرات البقاء.
يهدف المؤلفون إلى مقارنة تقنيات الإحلال المختلفة، بما في ذلك الإحلال التقليدي عند منتصف الفترة، والنهج القائم على النموذج باستخدام نماذج الوقت المتسارع للفشل (AFT)، وطرق التعلم الآلي مثل XGBoost. تم تصميم طريقة إعادة التوزيع المقترحة للحفاظ على التناسق مع فترات التقطيع، مما يسمح بتقييم عادل لأداء هذه الطرق. تتضمن الدراسة تحليل محاكاة عبر سيناريوهات تقطيع مختلفة وتطبيقات على مجموعات بيانات حقيقية، مما يوفر تقييمًا شاملاً لاستراتيجيات الإحلال. تمهد المقدمة الطريق لاستكشاف مفصل لهذه المنهجيات، مما يساهم في تقدم تقنيات تحليل البقاء في ظل وجود التقطيع الزمني.
طرق
في قسم طرق الإحلال للملاحظات المقطوعة زمنيًا، يناقش المؤلفون التحديات المرتبطة بالتعامل مع البيانات الممثلة كفترات \((L_i, R_i]\) لـ \(i = 1, \ldots, n\)، حيث \(L_i < R_i\) و\(R_i\) محدود. عادةً ما تعين تقنيات الإحلال التقليدية قيمة واحدة لكل فترة مقطوعة، حيث تكون الطرق الأكثر شيوعًا هي الإحلال الأيسر، والإحلال الأيمن، والإحلال عند منتصف الفترة. يقوم الإحلال الأيسر بتعيين وقت الحدث إلى الحد الأدنى \(L_i\)، بينما يقوم الإحلال الأيمن بتعيينه إلى الحد الأقصى \(R_i\)، ويستخدم الإحلال عند منتصف الفترة المتوسط \((L_i + R_i)/2\). بينما تكون هذه الطرق بسيطة، فإنها تفشل في أخذ التباين وعدم اليقين الموجودين في البيانات المقطوعة زمنيًا في الاعتبار. يبرز المؤلفون أن مثل هذه الأساليب يمكن أن تقدم تحيزًا منهجيًا، خاصة عندما لا تتبع أوقات الأحداث الفعلية توزيعًا موحدًا أو تتأثر بشكل كبير بالمتغيرات. وهذا يبرز الحاجة إلى تقنيات إحلال أكثر تطورًا تلتقط بشكل أفضل تعقيدات الملاحظات المقطوعة زمنيًا.
نتائج
في قسم النتائج، تكشف الدراسة أن زيادة التقطيع الأيمن تؤدي إلى تباين أكبر بين منحنيات البقاء، وهو ما يتضح بشكل خاص في النماذج المعلمية مثل نموذج Weibull، الذي يظهر حساسية متزايدة لافتراضات التوزيع وينحرف عن تقديرات Turnbull. بالمقابل، تظهر نماذج مثل XGBoost، والنموذج الأسي، والنموذج اللوغاريتمي قوة، حيث تتماشى بشكل وثيق مع التقديرات غير المعلمية وتلتقط أنماط بقاء متسقة على الرغم من عدم اليقين الكبير. تؤكد هذه الملاحظات النتائج من دراسة محاكاة سابقة، مما يشير إلى أنه بينما يمكن أن تحقق النماذج المعلمية نتائج دقيقة عندما يتم تحديد التوزيع الأساسي بشكل صحيح، فإنها عرضة للتحيز تحت مستويات عالية من التقطيع.
توضح تحليل مجموعة بيانات miceData أن التقطيع الأيمن المركز عند أوقات الأحداث الأطول يؤدي إلى تسطيح منحنيات البقاء المحلولة، مما يتوازى مع السلوك الملحوظ في سيناريو المحاكاة IV، حيث أدى التقطيع العالي إلى تقدير منخفض للوفيات عند الفترات الزمنية الممتدة. يستمر مقدر Turnbull، الذي يأخذ في الاعتبار عدم اليقين في الفترات، في تقديم تمثيل واقعي للبقاء على المدى الطويل. في مجموعة بيانات IR diabetes، تتماشى منحنيات البقاء من طرق الإحلال المختلفة عن بعضها البعض ومع تقدير Turnbull، مما يشير إلى نتائج محددة لمجموعة البيانات بدلاً من موثوقية الطريقة العالمية. يبرز هذا الاتفاق أهمية النظر في سياق البيانات، حيث قد تختلف التحيزات بشكل كبير اعتمادًا على وجود أو عدم وجود التقطيع وخصائص مجموعة البيانات.
مناقشة
في قسم المناقشة من الورقة البحثية، يستكشف المؤلفون طرقًا مختلفة لتقدير أوقات البقاء في ظل وجود التقطيع الزمني والأيمن. يقدمون رموزًا رئيسية، مثل وقت الحدث الحقيقي \( T \) ومؤشر التقطيع \( \delta \)، الذي يصنف نوع الملاحظة. يتم تسليط الضوء على مقدر Kaplan-Meier كطريقة غير معلمية قياسية للبيانات المقطوعة يمينًا، بينما يتم تقديم مقدر Turnbull كبديل أكثر تنوعًا للبيانات المقطوعة زمنيًا، حيث يستخدم خوارزمية التناسق الذاتي لتعظيم احتمال الفترات الملاحظة.
يناقش المؤلفون أيضًا نموذج الوقت المتسارع للفشل (AFT)، الذي يتنبأ بأوقات البقاء بناءً على المتغيرات، مؤكدين ملاءمته لمهام الإحلال. يصفون تنفيذ طريقة إحلال قائمة على XGBoost، والتي تستفيد من تعزيز التدرج لنمذجة العلاقات المعقدة بين المتغيرات وأوقات البقاء. بالإضافة إلى ذلك، يقدمون طريقة إعادة توزيع خطية مقاسة لضمان بقاء الأوقات المحلولة ضمن فترات التقطيع الملاحظة، مما يحافظ على تباين التوزيع. يتم تقييم أداء هذه الطرق من خلال دراسات المحاكاة، مما يظهر أن النهج القائم على XGBoost عمومًا ينتج أقل تحيز وخطأ متوسط الجذر التربيعي (RMSE) عبر مستويات مختلفة من التقطيع، بينما يحافظ أيضًا على تباين إحلال قوي على المستوى الفردي. تؤكد النتائج على أهمية اختيار تقنيات الإحلال المناسبة لتعزيز دقة تقديرات البقاء في بيئات البحث السريري.
DOI: https://doi.org/10.3934/math.2026235
Publication Date: 2026-01-01
Author(s): Gustavo Soutinho et al.
Primary Topic: Statistical Methods and Inference
Overview
This study addresses the challenges posed by interval-censored data in survival analysis, where event times are only known to occur within specific observation intervals. Traditional imputation methods, such as midpoint imputation, often fail to adequately capture the uncertainty associated with this type of censoring. The research compares several imputation strategies, including standard midpoint imputation, accelerated failure time (AFT) model-based imputation, a machine learning approach using XGBoost, and a novel scaled linear redistribution method. A comprehensive simulation study and analyses of three real datasets reveal that XGBoost-based imputation demonstrates robust performance across varying levels of right censoring, yielding survival estimates comparable to those from the nonparametric Turnbull estimator. In contrast, midpoint imputation is effective under mild censoring, while parametric models are sensitive to distributional assumptions, leading to potential biases under heavy censoring.
The proposed framework combines model-based imputation with a rescaling step to ensure consistency with observed censoring intervals, thereby preserving individual-level variability and the relative ordering of event times. The scaled linear redistribution method is crucial in mapping model predictions back to their corresponding intervals, avoiding inconsistencies while maintaining dispersion for reliable survival estimation. The findings suggest that while no single imputation method is universally optimal, XGBoost is particularly effective under low to moderate censoring, whereas parametric AFT models provide stability under high censoring. Future work will focus on validating predictive performance on independent datasets and developing an R package to implement the scaled linear redistribution method, accommodating more complex scenarios such as time-dependent covariates.
Introduction
The introduction of this research paper discusses the significance of survival analysis in various fields, particularly in handling censored data, which occurs when the exact timing of an event is unknown but falls within certain observation intervals. Interval censoring is highlighted as a common issue in longitudinal studies, necessitating robust methods to estimate survival functions accurately. Traditional methods like the Kaplan-Meier estimator require modifications to address this challenge, while nonparametric options such as the Turnbull estimator, although useful, are limited in their ability to incorporate covariates. The paper emphasizes the need for improved imputation strategies for censored observations, introducing the scaled linear redistribution method to ensure that imputed values remain within censoring bounds, thereby enhancing the reliability of survival estimates.
The authors aim to compare various imputation techniques, including traditional midpoint imputation, model-based approaches using accelerated failure time (AFT) models, and machine learning methods like XGBoost. The proposed redistribution method is designed to maintain coherence with censoring intervals, allowing for a fair evaluation of these methods’ performance. The study includes a simulation analysis across different censoring scenarios and applications to real datasets, providing a comprehensive assessment of the imputation strategies. The introduction sets the stage for a detailed exploration of these methodologies, ultimately contributing to the advancement of survival analysis techniques in the presence of interval censoring.
Methods
In the section on imputation methods for interval-censored observations, the authors discuss the challenges associated with handling data represented as intervals \((L_i, R_i]\) for \(i = 1, \ldots, n\), where \(L_i < R_i\) and \(R_i\) is finite. Traditional imputation techniques typically assign a single value to each censored interval, with the most common methods being left imputation, right imputation, and midpoint imputation. Left imputation assigns the event time to the lower bound \(L_i\), right imputation assigns it to the upper bound \(R_i\), and midpoint imputation uses the average \((L_i + R_i)/2\). While these methods are straightforward, they fail to account for the inherent variability and uncertainty present in interval-censored data. The authors highlight that such approaches can introduce systematic bias, especially when the actual event times do not follow a uniform distribution or are significantly influenced by covariates. This underscores the need for more sophisticated imputation techniques that better capture the complexities of interval-censored observations.
Results
In the results section, the study reveals that increased right censoring leads to greater dispersion among survival curves, particularly evident in parametric models like the Weibull model, which exhibit heightened sensitivity to distributional assumptions and diverge from Turnbull estimates. Conversely, models such as XGBoost, exponential, and lognormal demonstrate robustness, aligning closely with nonparametric estimates and effectively capturing consistent survival patterns despite significant uncertainty. These observations corroborate findings from a prior simulation study, indicating that while parametric models can yield accurate results when the underlying distribution is correctly specified, they are prone to bias under high levels of censoring.
The analysis of the miceData dataset illustrates that concentrated right censoring at longer event times results in a flattening of imputed survival curves, paralleling the behavior noted in simulation Scenario IV, where high censoring led to mortality underestimation at extended timeframes. The Turnbull estimator, which accounts for interval uncertainty, continues to provide a realistic long-term survival representation. In the IR diabetes dataset, survival curves from various imputation methods closely align with each other and the Turnbull estimate, suggesting dataset-specific outcomes rather than universal method reliability. This agreement highlights the importance of considering the context of the data, as biases may vary significantly depending on the presence or absence of censoring and the characteristics of the dataset.
Discussion
In the discussion section of the research paper, the authors explore various methods for estimating survival times in the presence of interval and right censoring. They introduce key notations, such as the true event time \( T \) and the censoring indicator \( \delta \), which categorizes the type of observation. The Kaplan-Meier estimator is highlighted as a standard nonparametric method for right-censored data, while the Turnbull estimator is presented as a more versatile alternative for interval-censored data, employing a self-consistency algorithm to maximize the likelihood of observed intervals.
The authors also discuss the Accelerated Failure Time (AFT) model, which predicts survival times based on covariates, emphasizing its suitability for imputation tasks. They describe the implementation of an XGBoost-based imputation method, which leverages gradient boosting to model complex relationships between covariates and survival times. Additionally, they introduce a scaled linear redistribution method to ensure that imputed times remain within observed censoring intervals, thereby preserving the distribution’s variability. The performance of these methods is evaluated through simulation studies, demonstrating that the XGBoost-based approach generally yields the lowest bias and root mean squared error (RMSE) across varying levels of censoring, while also maintaining robust individual-level imputation variability. The findings underscore the importance of selecting appropriate imputation techniques to enhance the accuracy of survival estimates in clinical research settings.