Porównanie CPH, modelu przyspieszonego czasu awarii lub sieci neuronowych do analizy przeżycia

Jestem nowy w analizie przeżycia, a ostatnio dowiedziałem się, że istnieją różne sposoby, aby osiągnąć określony cel. Interesuje mnie faktyczne wdrożenie i odpowiedniość tych metod.

Przedstawiono mi tradycyjne Cox Proporcjonalne zagrożenia , modele przyspieszonego czasu awarii i sieci neuronowe (perceptron wielowarstwowy) jako metody pozwalające na przeżycie pacjenta, biorąc pod uwagę jego czas, status i inne dane medyczne. Badanie ma zostać określone za pięć lat, a jego celem jest coroczne podawanie ryzyka przeżycia w celu uzyskania nowych zapisów.

Znalazłem dwa przypadki, w których inne metody zostały wybrane w stosunku do Cox PH:

1. Znalazłem „ Jak uzyskać prognozy dotyczące czasu przeżycia z modelu PH Coxa ” i wspomniano, że:

   Jeśli jesteś szczególnie zainteresowany uzyskaniem oszacowań prawdopodobieństwa przeżycia w określonych punktach czasowych, skierowałbym cię w stronę parametrycznych modeli przeżycia (czyli modeli przyspieszonego czasu awarii) . Są one zaimplementowane w pakiecie przeżycia dla R i dają parametryczne rozkłady czasu przeżycia, w których możesz po prostu podłączyć interesujący Cię czas i odzyskać prawdopodobieństwo przeżycia.

   Poszedłem na zalecaną stronę i znalazłem jedną w survivalpakiecie - funkcję survreg.

2. W tym komentarzu zasugerowano sieci neuronowe :

   ... Jedną z zalet podejść sieci neuronowej do analizy przeżycia jest to, że nie polegają one na założeniach leżących u podstaw analizy Coxa ...

   Inna osoba z pytaniem „ Model sieci neuronowej R z wektorem docelowym jako wyjściem zawierającym prognozy przeżycia ” podał wyczerpujący sposób określania przeżycia zarówno w sieciach neuronowych, jak i PH Coxa.

   Kod R do uzyskania przetrwania wyglądałby następująco:

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

3. Poszedłem na fora R i znalazłem tę odpowiedź w pytaniu „ Prognozuj.coxph i przewiduj.survreg ” :

   Rzeczywiście, z predict()funkcji coxphnie można uzyskać bezpośrednich prognoz „czasowych”, a jedynie liniowe i wykładnicze oceny ryzyka. Wynika to z tego, że aby uzyskać czas, należy obliczyć podstawowe zagrożenie i nie jest to proste, ponieważ jest ukryte w modelu Coxa.

Zastanawiałem się, czy który z tych trzech (lub dwóch, biorąc pod uwagę argumenty dotyczące Cox PH), jest najlepszy do uzyskania procentu przeżycia w interesujących okresach? Nie jestem pewien, które z nich zastosować w analizie przeżycia.

To zależy od tego, dlaczego robisz modele. Dwa główne powody do konstruowania modeli przeżycia to (1) do prognozowania lub (2) do modelowania wielkości efektu zmiennych towarzyszących.

Jeśli chcesz użyć ich w ustawieniu predykcyjnym, w którym chcesz uzyskać oczekiwany czas przeżycia przy danym zestawie zmiennych towarzyszących, sieci neuronowe są prawdopodobnie najlepszym wyborem, ponieważ są uniwersalnymi aproksymatorami i przyjmują mniej założeń niż zwykłe (pół-) parametryczne modele. Inną opcją, która jest mniej popularna, ale nie mniej wydajna, jest obsługa maszyn wektorowych .

Jeśli modelujesz w celu oszacowania wielkości efektów, sieci neuronowe nie będą zbyt przydatne. W tym celu można zastosować zarówno proporcjonalne zagrożenia Coxa, jak i modele przyspieszonego czasu awarii. Modele PH Coxa są zdecydowanie najczęściej stosowane w warunkach klinicznych, w których współczynnik ryzyka daje miarę wielkości efektu dla każdej zmiennej / interakcji. Jednak w ustawieniach inżynierskich modele AFT są bronią z wyboru.