Сравнение CPH, модели времени ускоренного отказа или нейронных сетей для анализа выживаемости

Я новичок в анализе выживания, и недавно я узнал, что есть разные способы сделать это с определенной целью. Я заинтересован в фактической реализации и целесообразности этих методов.

Мне представили традиционные модели пропорционального риска Кокса , модели времени ускоренного отказа и нейронные сети (многослойный персептрон) в качестве методов для выживания пациента, учитывая его время, состояние и другие медицинские данные. Говорят, что исследование будет проведено через пять лет, и цель состоит в том, чтобы каждый год давать риски для выживания для новых записей.

Я нашел два случая, когда другие методы были выбраны по Коксу PH:

1. Я нашел « Как получить прогнозы с точки зрения времени выживания из модели Кокса PH », и было упомянуто, что:

   Если вы особенно заинтересованы в получении оценок вероятности выживания в определенные моменты времени, я хотел бы указать вам на параметрические модели выживания (так называемые модели времени ускоренного отказа) . Они реализованы в пакете выживания для R и дадут вам параметрическое распределение времени выживания, в котором вы можете просто подключить интересующее вас время и получить вероятность выживания.

   Я пошел на рекомендуемый сайт и нашел в survivalпакете - функцию survreg.

2. Нейронные сети были предложены в этом комментарии :

   ... Одним из преимуществ нейросетевых подходов к анализу выживаемости является то, что они не опираются на предположения, лежащие в основе анализа Кокса ...

   Другой человек с вопросом « Модель нейронной сети R с вектором-мишенью в качестве выходной информации, содержащей прогнозы выживания » дал исчерпывающий способ определения выживаемости как в нейронных сетях, так и в Кокс-PH.

   Код R для получения выживания будет выглядеть так:

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

3. Я пошел на форумы R и нашел этот ответ в вопросе " Foregnet.coxph and Foregnet.survreg " :

   Действительно, из predict()функции coxphвы не можете получить непосредственно «временные» прогнозы, а только линейные и экспоненциальные оценки риска. Это связано с тем, что для того, чтобы получить время, необходимо рассчитать базовую опасность, и она не является простой, поскольку она подразумевается в модели Кокса.

Мне было интересно, если какой из этих трех (или двух, учитывая аргументы в пользу Кокса PH) лучше всего подходит для получения процентов выживания для интересующих периодов времени? Я запутался, какой из них использовать в анализе выживания.

Это зависит от того, почему вы делаете модели. Две основные причины для построения моделей выживания: (1) делать прогнозы или (2) моделировать величины эффекта ковариат.

Если вы хотите использовать их в прогнозирующей среде, в которой вы хотите получить ожидаемое время выживания при заданном наборе ковариат, нейронные сети, вероятно, являются лучшим выбором, поскольку они являются универсальными аппроксиматорами и делают меньше предположений, чем обычный (полу) параметрический моделей. Другой вариант, который является менее популярным, но не менее мощным, - это опорные векторные машины .

Если вы моделируете для количественной оценки размеров эффекта, нейронные сети не будут особенно полезны. Для этой цели могут использоваться как модели пропорциональных рисков Кокса, так и модели с ускоренным временем отказа. Модели Кокса PH на сегодняшний день наиболее широко используются в клинических условиях, в которых отношение рисков дает меру величины эффекта для каждого ковариата / взаимодействия. В технических условиях, однако, модели AFT являются оружием выбора.