Порівняння CPH, моделі прискореного часу відмови або нейронних мереж для аналізу виживання

Я новачок в аналізі виживання, і нещодавно я дізнався, що існують різні способи зробити це з огляду на певну мету. Мене цікавить реальна реалізація та доцільність цих методів.

Мені було представлено традиційні моделі коксо-пропорційного ризику , моделі прискореного відмови та нейронні мережі (багатошаровий перцептрон) як методи для виживання пацієнта з огляду на його час, стан та інші медичні дані. Кажуть, що дослідження визначається через п’ять років, а мета - щорічно давати ризики виживання для отримання нових записів.

Я виявив два випадки, коли інші методи, коли їх обирали над PH Cox:

1. Я знайшов " Як отримати прогнози щодо часу виживання за моделлю Cox PH ", і було зазначено, що:

   Якщо ви особливо зацікавлені в отриманні оцінок щодо ймовірності виживання в конкретні моменти часу, я б вказав на параметричні моделі виживання (так само прискорені моделі часу відмов) . Вони реалізовані в пакеті виживання для R і дадуть вам параметричні розподіли часу виживання, де ви можете просто підключити час, який вас цікавить, і отримати ймовірність виживання.

   Я зайшов на рекомендований сайт і знайшов одне в survivalпакеті - функцію survreg.

2. У цьому коментарі були запропоновані нейронні мережі :

   ... Однією з переваг нейронних мережевих підходів до аналізу виживання є те, що вони не покладаються на припущення, які лежать в основі аналізу Кокса ...

   Інша людина з питанням " Модель R нейронної мережі з цільовим вектором як вихід, що містить прогнози виживання " дала вичерпний спосіб визначення виживання як в нейронних мережах, так і в Cox PH.

   Код R для отримання виживання буде таким:

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

3. Я зайшов на R форуми і знайшов цю відповідь у питанні " predict.coxph and predict.survreg " :

   Дійсно, з predict()функції coxphви не можете отримати прямо "прогнозні" прогнози, а лише лінійні та експоненціальні оцінки ризику. Це тому, що для того, щоб отримати час, необхідно обчислити базову небезпеку, і вона не є однозначною, оскільки вона неявна в моделі Кокса.

Мені було цікаво, чи найкраще для отримання трьох відсотків (або двох, що враховують аргументи щодо Кокса, PH) для отримання відсотків виживання за цікаві періоди часу? Мене бентежить, який із них використовувати в аналізі виживання.

Це залежить від того, для чого ви робите моделі. Дві основні причини побудови моделей виживання - це (1) прогнозування або (2) моделювання розмірів ефектів коваріатів.

Якщо ви хочете використовувати їх у прогнозованій обстановці, в якій ви хочете отримати очікуваний час виживання з набором коваріатів, нейронні мережі, ймовірно, найкращий вибір, оскільки вони є універсальними апроксиматорами і роблять менше припущень, ніж звичайні (напів) параметричні моделей. Інший варіант, який є менш популярним, але не менш потужним, - це підтримуючі векторні машини .

Якщо ви моделюєте кількісно оцінити розміри ефектів, нейронні мережі не принесуть великої користі. Для цієї мети можна використовувати як пропорційні небезпеки Кокса, так і моделі прискореного часу відмови. Моделі Cox PH на сьогоднішній день найбільш широко застосовуються в клінічних умовах, коли коефіцієнт небезпеки дає міру розміру ефекту для кожного коваріату / взаємодії. Однак в інженерних налаштуваннях модель AFT є зброєю вибору.