การเปรียบเทียบ CPH แบบจำลองเวลาความล้มเหลวเร่งหรือโครงข่ายประสาทเทียมสำหรับการวิเคราะห์การอยู่รอด

ฉันยังใหม่กับการวิเคราะห์การเอาชีวิตรอดและเมื่อเร็ว ๆ นี้ฉันได้เรียนรู้ว่ามีวิธีที่แตกต่างในการทำเพื่อให้ได้เป้าหมายที่แน่นอน ฉันสนใจในการนำไปใช้จริงและความเหมาะสมของวิธีการเหล่านี้

ฉันได้รับการนำเสนอด้วยCox Proportional-Hazards , โมเดลเวลาความล้มเหลวเร่งความเร็วและเครือข่ายประสาท (multilayer perceptron) เป็นวิธีการที่จะทำให้ผู้ป่วยรอดชีวิตจากการได้รับเวลาสถานะและข้อมูลทางการแพทย์อื่น ๆ การศึกษานี้ได้รับการกล่าวถึงในอีกห้าปีข้างหน้าและเป้าหมายคือการให้ความเสี่ยงต่อการอยู่รอดในแต่ละปีเพื่อให้มีการบันทึกใหม่

ฉันพบสองอินสแตนซ์ที่มีวิธีอื่นที่เลือกไว้เหนือ Cox PH:

1. ฉันพบ " วิธีรับการทำนายในแง่ของเวลาการเอาชีวิตรอดจากโมเดล Cox PH " และได้มีการกล่าวไว้ว่า:

   หากคุณมีความสนใจโดยเฉพาะอย่างยิ่งในการได้รับการประเมินความน่าจะเป็นของการอยู่รอดที่จุดเวลาโดยเฉพาะอย่างยิ่งผมจะชี้ให้คุณไปสู่รูปแบบการอยู่รอดพารา (เวลาในการเร่ง aka ความล้มเหลว) สิ่งเหล่านี้ถูกนำมาใช้ในแพ็คเกจการเอาตัวรอดสำหรับ R และจะให้การแจกแจงเวลาการอยู่รอดแบบอิงพารามิเตอร์ซึ่งคุณสามารถเสียบเวลาที่คุณสนใจและกลับมาเป็นความอยู่รอดได้

   ฉันไปที่เว็บไซต์ที่แนะนำและพบว่าหนึ่งในsurvivalแพคเกจ - survregฟังก์ชั่น

2. เครือข่ายประสาทถูกแนะนำในความคิดเห็นนี้ :

   ... ข้อดีอย่างหนึ่งของวิธีการวิเคราะห์การอยู่รอดของโครงข่ายใยประสาทคือพวกมันไม่ได้ใช้สมมติฐานที่รองรับการวิเคราะห์ Cox ...

   อีกคนที่มีคำถามว่า " โมเดลเครือข่ายนิวรัลกับเวกเตอร์เป้าหมายเป็นผลลัพธ์ที่มีการทำนายการรอดชีวิต " เป็นวิธีที่ละเอียดถี่ถ้วนในการพิจารณาความอยู่รอดในเครือข่ายประสาทและ Cox PH

   รหัส R สำหรับการเอาตัวรอดจะเป็นดังนี้:

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

3. ฉันไปที่ฟอรัม R และพบคำตอบนี้ในคำถาม " predict.coxph และ predict.survreg " :

   ที่จริงแล้วจากpredict()ฟังก์ชั่นของcoxphคุณไม่สามารถรับการทำนาย "เวลา" ได้โดยตรง แต่มีเพียงคะแนนความเสี่ยงเชิงเส้นและเลขยกกำลัง นี่เป็นเพราะเพื่อให้ได้เวลาอันตรายพื้นฐานจะต้องมีการคำนวณและมันไม่ได้ตรงไปตรงมาเพราะมันเป็นนัยในรูปแบบค็อกซ์

ฉันสงสัยว่าหนึ่งในสาม (หรือสองข้อพิจารณาข้อโต้แย้งเกี่ยวกับ Cox PH) นั้นดีที่สุดสำหรับการได้รับเปอร์เซ็นต์การเอาชีวิตรอดสำหรับช่วงเวลาที่น่าสนใจหรือไม่? ฉันสับสนว่าจะใช้วิธีใดในการวิเคราะห์การเอาชีวิตรอด

ขึ้นอยู่กับสาเหตุที่คุณสร้างโมเดล เหตุผลหลักสองข้อในการสร้างแบบจำลองการเอาตัวรอดคือ (1) เพื่อทำนายหรือ (2) เพื่อจำลองขนาดผลกระทบของโควาเรียต

หากคุณต้องการใช้พวกมันในการคาดการณ์ที่คุณต้องการได้รับเวลาการเอาชีวิตรอดที่คาดหวังจากชุดของ covariates เครือข่ายประสาทนั้นน่าจะเป็นทางเลือกที่ดีที่สุดเพราะพวกมันเป็นผู้ประมาณที่เป็นสากลและมีสมมติฐานน้อยกว่าแบบกึ่ง รุ่น ตัวเลือกซึ่งเป็นที่นิยมน้อย แต่ไม่น้อยที่มีประสิทธิภาพก็คือการสนับสนุนเครื่องเวกเตอร์

หากคุณกำลังสร้างแบบจำลองเพื่อหาจำนวนขนาดเอฟเฟกต์เครือข่ายประสาทจะไม่ใช้งานมากนัก ทั้งอันตรายตามสัดส่วนของค็อกซ์และแบบจำลองเวลาความล้มเหลวแบบเร่งสามารถใช้กับเป้าหมายนี้ได้ ค็อกซ์รุ่น PH จะไกลโดยใช้กันอย่างแพร่หลายในการตั้งค่าทางคลินิกซึ่งในอัตราส่วนอันตรายให้วัดขนาดของผลกระทบสำหรับแต่ละตัวแปรร่วม / การมีปฏิสัมพันธ์ ในการตั้งค่าทางวิศวกรรมอย่างไรก็ตามรุ่น AFT เป็นอาวุธที่ดีที่สุด