So sánh CPH, mô hình thời gian thất bại tăng tốc hoặc mạng lưới thần kinh để phân tích tỷ lệ sống

Tôi chưa quen với phân tích sinh tồn và gần đây tôi đã học được rằng có nhiều cách khác nhau để thực hiện nó với một mục tiêu nhất định. Tôi quan tâm đến việc thực hiện thực tế và sự phù hợp của các phương pháp này.

Tôi đã được giới thiệu với các mô hình rủi ro theo tỷ lệ Cox truyền thống , các mô hình thời gian thất bại tăng tốc và mạng lưới thần kinh (đa giác quan) như các phương pháp để cứu sống bệnh nhân khi có thời gian, tình trạng và các dữ liệu y tế khác. Nghiên cứu được cho là được xác định trong năm năm và mục tiêu là đưa ra rủi ro sống sót mỗi năm cho các hồ sơ mới được đưa ra.

Tôi đã tìm thấy hai trường hợp trong đó các phương thức khác được chọn qua Cox PH:

1. Tôi đã tìm thấy " Cách nhận dự đoán về thời gian tồn tại từ mô hình Cox PH " và nó đã được đề cập rằng:

   Nếu bạn đặc biệt quan tâm đến việc có được các ước tính về xác suất sống sót tại các thời điểm cụ thể, tôi sẽ hướng bạn đến các mô hình sống sót tham số (còn gọi là mô hình thời gian thất bại tăng tốc) . Chúng được triển khai trong gói sinh tồn cho R và sẽ cung cấp cho bạn các phân phối thời gian sống sót tham số, trong đó bạn có thể chỉ cần cắm vào thời gian bạn quan tâm và lấy lại xác suất sống sót.

   Tôi đã đi đến trang web được đề xuất và tìm thấy một trong survivalgói - chức năng survreg.

2. Mạng lưới thần kinh đã được đề xuất trong bình luận này :

   ... Một lợi thế của phương pháp tiếp cận mạng lưới thần kinh đối với phân tích sinh tồn là họ không dựa vào các giả định làm cơ sở cho phân tích Cox ...

   Một người khác với câu hỏi " Mô hình mạng nơ ron R với vectơ đích là đầu ra chứa dự đoán sống sót " đã đưa ra một cách toàn diện để xác định tỷ lệ sống trong cả mạng thần kinh và Cox PH.

   Mã R để có được sự sống còn sẽ như thế này:

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

3. Tôi đã đi đến các diễn đàn R và tìm thấy câu trả lời này trong câu hỏi " dự đoán.coxph và dự đoán.survreg " :

   Thật vậy, từ predict()chức năng của coxphbạn không thể có được dự đoán trực tiếp về "thời gian", mà chỉ có điểm rủi ro tuyến tính và theo cấp số nhân. Điều này là do, để có được thời gian, một mối nguy cơ bản phải được tính toán và nó không đơn giản vì nó tiềm ẩn trong mô hình Cox.

Tôi đã tự hỏi nếu một trong ba (hoặc hai xem xét các đối số trên Cox PH) là tốt nhất để có được tỷ lệ phần trăm sống sót trong khoảng thời gian quan tâm? Tôi bối rối không biết sử dụng chúng trong phân tích sinh tồn.

Nó phụ thuộc vào lý do tại sao bạn đang làm mô hình. Hai lý do chính để xây dựng các mô hình sinh tồn là (1) để đưa ra dự đoán hoặc (2) để mô hình hóa kích thước hiệu ứng của hiệp phương sai.

Nếu bạn muốn sử dụng chúng trong một thiết lập dự đoán trong đó bạn muốn có được thời gian sống dự kiến ​​được cung cấp một tập hợp số, mạng lưới thần kinh có thể là lựa chọn tốt nhất vì chúng là các xấp xỉ phổ quát và đưa ra ít giả định hơn so với thông số (bán) thông thường mô hình. Một tùy chọn khác ít phổ biến hơn nhưng không kém phần mạnh mẽ là máy vectơ hỗ trợ .

Nếu bạn đang lập mô hình để định lượng kích thước hiệu ứng, mạng lưới thần kinh sẽ không được sử dụng nhiều. Cả hai mối nguy theo tỷ lệ Cox và các mô hình thời gian thất bại tăng tốc đều có thể được sử dụng cho mục tiêu này. Các mô hình Cox PH cho đến nay được sử dụng rộng rãi nhất trong các cơ sở lâm sàng, trong đó tỷ lệ nguy hiểm đưa ra thước đo kích thước hiệu ứng cho mỗi hiệp phương sai / tương tác. Tuy nhiên, trong các thiết lập kỹ thuật, các mô hình AFT là vũ khí được lựa chọn.