Analisis survival untuk prediksi acara

Untuk setiap catatan dalam kumpulan data saya, saya memiliki informasi berikut

$$(X_1 \ , \dots \ , X_m \ , \delta \ , T \ )$$

di mana adalah fitur, δ adalah 1 jika acara target terjadi dan 0 sebaliknya, dan T adalah cap waktu acara yang terjadi. Secara khusus, T mungkin akan hilang jika tidak ada acara atau waktu yang ditentukan untuk tindak lanjutnya.$X_i$$\delta$$T$$T$

Saya ingin menghitung indeks risiko untuk setiap catatan dalam dataset saya.

Saya berpikir untuk menggunakan model klasifikasi yang menggunakan fitur untuk memprediksi kelas δ . Namun, T penting: jika acara δ kemungkinan akan terjadi segera risikonya harus lebih tinggi.$X_i$$\delta$$T$$\delta$

Itu sebabnya analisis kelangsungan hidup harus sesuai untuk masalah ini. Saya tidak perlu estimasi penuh dari tetapi hanya satu indeks yang mewakili risiko untuk satu catatan.$S(t) = P(T>t)$

Waktu survival rata-rata, yang dapat dihitung untuk setiap catatan, tampaknya indeks risiko yang bagus - semakin rendah semakin tinggi risikonya.

Pertanyaan saya adalah:

1. Apakah analisis kelangsungan hidup cocok untuk tujuan saya?
2. Bagaimana saya bisa mengevaluasi kinerja model saya?

$c$

$c$

$X_i(t)$

Apakah analisis kelangsungan hidup cocok untuk tujuan saya?

Satu-satunya hal yang membuat ini tampak kurang berlaku untuk analisis survival adalah:

$TT$

Anda perlu mengetahui periode terakhir yang diamati masih hidup untuk sebagian besar model. Kalau tidak, itu harus langsung dan berlaku untuk menggunakan analisis survival. Misalnya Cox proporsional hazard dengan survival::coxphR atau model parametrik dengan survival::survreg.

Waktu survival rata-rata, yang dapat dihitung untuk setiap catatan, tampaknya indeks risiko yang bagus - semakin rendah semakin tinggi risikonya.

Ya, Anda dapat menggunakan waktu survival rata-rata atau hanya prediktor linier untuk dua model (kelas) yang disebutkan sebelumnya.

Bagaimana saya bisa mengevaluasi kinerja model saya?

$c$Hmisc::rcorr.cens