集成方法和事件发生时间分析模型的实验比较：通过综合布里尔分数和一致性指数

Mar, 2024

集成方法和事件发生时间分析模型的实验比较：通过综合布里尔分数和一致性指数

Experimental Comparison of Ensemble Methods and Time-to-Event Analysis Models Through Integrated Brier Score and Concordance Index

PDF

Camila Fernandez, Chung Shue Chen, Chen Pierre Gaillard, Alonso Silva

TL;DR比较了时间至事件分析的几种预测模型，评估了它们在三个数据集上的性能，并展示了集成方法如何提高预测准确度和稳健性。最后，通过模拟实验评估方法的性能排序影响因素。

Abstract

time-to-event analysis is a branch of statistics that has increased in popularity during the last decades due to its many application fields, such as predictive maintenance, customer churn prediction and population lifetime estimation. In this paper, we review and compare the performan

time-to-event analysis prediction models ensemble methods integrated brier score concordance index

发现论文，激发创造

对抗时间至事件建模

该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法，通过有效利用丰富的健康分子数据和电子健康数据，为现代健康数据科学的应用提供了重要支持，并在基准和真实数据集上得到了显著的性能提高。

Apr, 2018

提升生存数据的一致性指数 - 求导和评估生物标志物组合的统一框架

研究使用共识指数为基础，提出了一种新的框架，借助元素提升算法推导线性生物标志物组合，以预测乳腺癌患者的生存力和其他时间至事件结局。

Jul, 2013

灵活的事件时间模型：通过秩回归优化神经网络

该研究介绍了一种基于 Deep AFT Rank-regression 模型的时间到事件预测方法，该模型使用基于 Gehan 排名统计量的目标函数，是 AFT 建模的半参数方法，并无需对存活时间分布进行分布假设。

Jul, 2023

CenTime: 事件条件下的生存分析中截尾建模

提出了 CenTime，一种用于生存分析的新方法，该方法通过创新的事件条件压缩机制直接估计事件发生时间，即使在无未被压缩的数据的情况下，我们的方法依然能够形成事件模型参数的一致估计器。

Sep, 2023

基于多任务框架的深度神经网络用于生存分析

本文介绍了一种基于 Multi-Task Logistic Regression（MTLR）模型和深度学习架构作为核心的新方法，用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard（CoxPH）模型，并且可以帮助企业预测客户购买产品、流失或贷款违约的时间，从而提高回报率。

Jan, 2018

使用异构现实世界生存数据开发联邦时间事件评分

我们提出了一个用于多个医疗数据所有者之间协作构建联邦评分系统的新框架，旨在确保隐私和通信效率，并在应用于新加坡和美国的急诊科的异质生存数据时证明了其更好的性能。

Mar, 2024

利用深度学习、机器学习和统计方法进行生存分析：预测住院后死亡的比较分析

应用不同的生存分析方法比较其性能，结果表明深度学习（DeepSurv）在歧视度和校准性方面表现最佳，而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。

Mar, 2024

使用评分规则训练生存模型

生存分析提供了关于各个领域中部分不完整的事件发生时间数据的关键洞察。它也是概率机器学习的一个重要示例。我们的提案以一种通用的方式利用了预测的概率特性，使用（适当的）评分规则而不是基于似然的优化来进行模型拟合过程。我们建立了不同的参数和非参数子框架，允许不同程度的灵活性。结合神经网络，它导致了一种计算高效和可扩展的优化程序，产生了最先进的预测性能。最后，我们展示了使用我们的框架，我们能够恢复各种参数模型，并证明在与基于似然方法相比时，优化同样有效。

Mar, 2024

通过学习分割事件时间空间来改进事件时间预测

最近发展的生存分析方法通过在每个预先确定的（离散）时间间隔内预测事件发生的概率来改进现有方法。本研究提出了一种从数据中学习划分事件时间间隔的方法，并在两个模拟数据集和三个真实世界观察数据集上展示了改进的预测性能。我们认为这种方法通过指导最适合每个任务的时间间隔来促进临床决策。

Oct, 2023

教授模型生存力：适当评分规则和具有竞争风险的随机优化

当数据存在右侧截断情况时，生存分析可以计算 “事件发生时间”。多类别的结果导致了一种分类变种：预测最可能的事件，即已知的竞争风险，这方面的研究较少。为了构建一个估计这种情况下的结果概率的损失函数，我们引入了一个严格正确的修正分离的评分规则，这个规则可以在部分数据上进行优化，因为评估是独立于观测的。它可以用于训练梯度提升树来进行竞争风险分析。与 11 种现有模型相比，这个模型 “MultiIncidence” 在生存和竞争风险的结果概率估计上表现最佳。它可以在任何时间点进行预测，并且比现有的替代方法快得多。

Jun, 2024