Sağkalım analizi için CPH, hızlandırılmış başarısızlık süresi modeli veya sinir ağlarının karşılaştırılması

Hayatta kalma analizinde yeniyim ve yakın zamanda bunu belirli bir amaç doğrultusunda yapmanın farklı yolları olduğunu öğrendim. Bu yöntemlerin gerçek uygulaması ve uygunluğu ile ilgileniyorum.

Zaman, statü ve diğer tıbbi veriler göz önüne alındığında bir hastanın hayatta kalması için yöntemler olarak geleneksel Cox Orantılı Tehlikeler , Hızlandırılmış başarısızlık süresi modelleri ve sinir ağları (çok katmanlı algılayıcı) sunuldu . Çalışmanın beş yıl içinde belirlendiği ve yeni kayıtların verilebilmesi için hedefin her yıl hayatta kalma riskleri vermektir.

Cox PH üzerinden başka yöntemlerin seçildiği iki örnek buldum:

1. " Bir Cox PH modelinden sağkalım süresi açısından tahminler nasıl alınır " buldum ve şu şekilde bahsedildi:

   Özellikle belirli zaman noktalarında hayatta kalma olasılığına ilişkin tahminler elde etmekle ilgileniyorsanız, sizi parametrik hayatta kalma modellerine (yani hızlandırılmış başarısızlık süresi modelleri) yönlendiririm . Bunlar R için hayatta kalma paketinde uygulanır ve size parametrik hayatta kalma süresi dağılımları verir, burada ilgilendiğiniz zamanı takıp hayatta kalma olasılığını geri alabilirsiniz.

   Önerilen siteye gittim ve survivalpakette bir tane buldum - işlev survreg.

2. Bu yorumda sinir ağları önerildi :

   Hayatta kalma analizine yönelik sinirsel net yaklaşımların bir avantajı, Cox analizinin altında yatan varsayımlara dayanmamalarıdır ...

   " Hayatta kalma tahminleri içeren çıktı olarak hedef vektörü olan R sinir ağı modeli " sorusu olan bir başka kişi , hem sinir ağlarında hem de Cox PH'da hayatta kalmayı belirlemenin kapsamlı bir yolunu verdi.

   Hayatta kalmak için R kodu şöyle olacaktır:

   mymodel <- neuralnet(T1+T2+T3+T4+T5~covar1+covar2+covar3+..., data=mydata, hidden=1)
   compute(mymodel,data=mydata)
   

3. R forumlarına gittim ve bu cevabı " predict.coxph and predict.survreg " sorusunda buldum :

   Aslında, predict()fonksiyonundan coxphdoğrudan "zaman" tahminleri alamazsınız, sadece doğrusal ve üstel risk puanları elde edersiniz. Bunun nedeni, zamanı elde etmek için temel bir tehlikenin hesaplanması gerektiğidir ve Cox modelinde örtük olduğu için basit değildir.

İlgilenilen dönemler için hayatta kalma yüzdelerini elde etmek için üçünden hangisinin (ya da Cox PH üzerindeki argümanları göz önünde bulundurarak) en iyisi olup olmadığını merak ediyordum. Hangilerinin hayatta kalma analizinde kullanacağı konusunda kafam karıştı.

Neden model yaptığınıza bağlıdır. Hayatta kalma modellerinin oluşturulmasının iki ana nedeni (1) tahminlerde bulunmak veya (2) ortak değişkenlerin etki büyüklüklerini modellemek içindir.

Bunları bir dizi ortak değişken verildiğinde beklenen bir hayatta kalma süresi elde etmek istediğiniz tahmini bir ortamda kullanmak istiyorsanız, sinir ağları muhtemelen en iyi seçimdir, çünkü bunlar evrensel tahmin edicilerdir ve normal (yarı) parametriklerden daha az varsayım yaparlar. modelleri. Daha az popüler ancak daha az güçlü olmayan bir başka seçenek de destek vektör makineleri .

Etki büyüklüklerini ölçmek için modelliyorsanız, sinir ağları fazla kullanılmaz. Bu amaç için hem Cox orantılı tehlikeleri hem de hızlandırılmış arıza süresi modelleri kullanılabilir. Cox PH modellerdir farkla en yaygın risk oranı her öndeğişken / etkileşim için etki boyutunun bir ölçü verir ki klinik ortamlarda, kullanılan. Ancak mühendislik ortamlarında AFT modelleri tercih edilen silahtır.