Modelos de machine learning em análise de sobrevivência na presença de fração de cura

Abstract

Este relatório apresenta os resultados obtidos por meio do projeto de pós-doutorado focado no desenvolvimento e aplicação de modelos de Machine Learning e técnicas estatísticas para a análise de sobrevivência na presença de fração de cura. O objetivo central foi flexibilizar a modelagem da função de risco basal e da probabilidade de cura por meio de abordagens semiparamétricas e Bayesianas. A metodologia envolveu a utilização de modelos de transformação de risco, splines e algoritmos de regularização para evitar o sobreajuste em dados de alta dimensão. As aplicações em conjuntos de dados reais, incluindo pacientes com insuficiência cardíaca e sarcoma pélvico, validaram a metodologia proposta. Os resultados, corroborados por estudos de simulação, demonstram que a integração de algoritmos de Machine Learning com a inferência Bayesiana supera as limitações dos modelos tradicionais de Cox. A abordagem proposta apresentou maior robustez na captura de dinâmicas complexas em fenômenos biológicos e ambientais, permitindo uma estimativa da fração de cura em populações com indivíduos imunes ao evento de interesse.

This study presents the results of a post-doctoral research project focused on the development and application of machine learning models and statistical techniques for survival analysis in the presence of a cure fraction. The central objective was to enhance the flexibility of modeling both the baseline hazard function and the cure probability through semi-parametric and Bayesian approaches. The methodology involved the use of hazard transformation models, splines, and regularization algorithms to prevent overfitting in high-dimensional data. Applications to real-world datasets, including patients with heart failure and pelvic sarcoma, validated the proposed methodology. The results, supported by simulation studies, demonstrate that the integration of machine learning algorithms with Bayesian inference overcomes the limitations of traditional Cox models. The proposed approach showed greater robustness in capturing complex dynamics in biological and environmental phenomena, allowing for an accurate estimation of the cure fraction in populations containing individuals immune to the event of interest.