Perbandingan CPH, model waktu kegagalan dipercepat atau jaringan saraf untuk analisis kelangsungan hidup

Saya baru dalam analisis bertahan hidup dan saya baru-baru ini belajar bahwa ada berbagai cara untuk melakukannya dengan tujuan tertentu. Saya tertarik pada implementasi aktual dan kesesuaian metode ini.

Saya diberi Cox Proportional-Hazards tradisional , model waktu kegagalan yang dipercepat dan jaringan saraf (multilayer perceptron) sebagai metode untuk mendapatkan kelangsungan hidup seorang pasien mengingat waktu, status, dan data medis lainnya. Studi ini dikatakan ditentukan dalam lima tahun dan tujuannya adalah untuk memberikan risiko bertahan hidup setiap tahun untuk catatan baru yang akan diberikan.

Saya menemukan dua contoh di mana metode lain mana yang dipilih daripada Cox PH:

1. Saya menemukan " Cara mendapatkan prediksi dalam hal waktu bertahan hidup dari model Cox PH " dan disebutkan bahwa:

   Jika Anda secara khusus tertarik untuk memperoleh estimasi kemungkinan bertahan hidup pada titik waktu tertentu, saya akan mengarahkan Anda ke model survival parametrik (alias model waktu kegagalan dipercepat) . Ini diimplementasikan dalam paket survival untuk R, dan akan memberi Anda distribusi waktu survival parametrik, di mana Anda cukup memasukkan waktu yang Anda minati dan mendapatkan kembali probabilitas survival.

   Saya pergi ke situs yang direkomendasikan dan menemukan satu di survivalpaket - fungsinya survreg.

2. Jaringan saraf disarankan dalam komentar ini :

   ... Satu keuntungan dari pendekatan jaringan syaraf untuk analisis survival adalah bahwa mereka tidak bergantung pada asumsi yang mendasari analisis Cox ...

   Orang lain dengan pertanyaan " Model jaringan saraf dengan vektor target sebagai output yang berisi prediksi kelangsungan hidup " memberikan cara lengkap untuk menentukan kelangsungan hidup di jaringan saraf dan Cox PH.

   Kode R untuk mendapatkan kelangsungan hidup akan seperti ini:

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

3. Saya pergi ke forum R dan menemukan jawaban ini dalam pertanyaan " predict.coxph and predict.survreg " :

   Memang, dari predict()fungsi coxphAnda tidak bisa mendapatkan prediksi "waktu" secara langsung, tetapi hanya skor risiko linier dan eksponensial. Ini karena, untuk mendapatkan waktu, bahaya garis dasar harus dihitung dan tidak langsung karena itu tersirat dalam model Cox.

Saya bertanya-tanya apakah yang mana dari tiga (atau dua mempertimbangkan argumen Cox PH) yang terbaik untuk mendapatkan persentase kelangsungan hidup untuk periode waktu yang menarik? Saya bingung yang mana dari mereka untuk digunakan dalam analisis kelangsungan hidup.

Itu tergantung pada mengapa Anda membuat model. Dua alasan utama untuk membangun model survival adalah (1) membuat prediksi atau (2) memodelkan ukuran efek kovariat.

Jika Anda ingin menggunakannya dalam pengaturan prediktif di mana Anda ingin memperoleh waktu bertahan hidup yang diharapkan diberikan seperangkat kovariat, jaringan saraf kemungkinan merupakan pilihan terbaik karena mereka adalah penduga universal dan membuat asumsi lebih sedikit daripada parametrik biasa (semi-) model. Pilihan lain yang kurang populer tetapi tidak kalah kuat adalah dukungan mesin vektor .

Jika Anda memodelkan untuk mengukur ukuran efek, jaringan saraf tidak akan banyak berguna. Bahaya proporsional Cox dan model waktu kegagalan yang dipercepat dapat digunakan untuk tujuan ini. Model Cox PH sejauh ini paling banyak digunakan dalam pengaturan klinis, di mana rasio bahaya memberikan ukuran ukuran efek untuk setiap kovariat / interaksi. Namun, dalam pengaturan teknik, model AFT adalah senjata pilihan.