CPH、加速故障時間モデル、または生存分析のためのニューラルネットワークの比較

私は生存分析が初めてですが、特定の目標を前提としてそれを行うにはさまざまな方法があることを最近知りました。これらの方法の実際の実装と妥当性に興味があります。

時間、ステータス、その他の医療データを考慮して患者の生存率を上げる方法として、従来のCox比例ハザード、加速故障時間モデル、ニューラルネットワーク（多層パーセプトロン）が提示されました。研究は5年で決定されると言われ、目標は新しい記録が与えられるために毎年生存リスクを与えることです。

Cox PHで他の方法が選択された2つのインスタンスが見つかりました。

1. 「Cox PHモデルから生存時間に関する予測を取得する方法」が見つかり、次のように述べられました。

   特定の時点での生存確率の推定値に特に関心がある場合は、パラメトリック生存モデル（別名、加速故障時間モデル）を紹介します。これらは、Rの生存パッケージに実装されており、パラメトリックな生存時間分布を提供します。ここで、関心のある時間をプラグインするだけで、生存確率を取得できます。

   私は推奨サイトに行って、survivalパッケージの 1つ-関数を見つけましたsurvreg。

2. このコメントでニューラルネットワークが提案されました：

   ...生存分析へのニューラルネットアプローチの1つの利点は、Cox分析の根底にある仮定に依存しないことです...

   「生存予測を含む出力としてターゲットベクトルを使用したRニューラルネットワークモデル」という質問を持つ別の人は、ニューラルネットワークとCox PHの両方で生存を決定する包括的な方法を示しました。

   サバイバルを取得するためのRコードは次のようになります。

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

3. 私はRフォーラムに行って、この回答を質問「predict.coxphとpredict.survreg」で見つけました。

   実際、のpredict()関数からcoxph直接「時間」予測を取得することはできず、線形で指数的なリスクスコアのみを取得できます。これは、時間を取得するためにベースラインハザードを計算する必要があり、Coxモデルでは暗黙的であるため簡単ではないためです。

興味のある期間の生存率を得るのに、3つ（またはCox PHに関する議論を考慮した2つ）が最適かどうか疑問に思っていましたか？どちらを生存分析に使用するか混乱しています。

なぜモデルを作るのかによります。生存モデルを構築する2つの主な理由は、（1）予測を行うこと、または（2）共変量の効果サイズをモデル化することです。

一連の共変量を指定して予測生存時間を取得する予測設定でそれらを使用する場合は、ニューラルネットワークが一般的な近似であり、通常の（セミ）パラメトリックよりも仮定が少ないため、おそらく最良の選択です。モデル。人気は低いがそれほど強力ではない別のオプションは、サポートベクターマシンです。

エフェクトサイズを定量化するためにモデリングしている場合、ニューラルネットワークはあまり役に立ちません。この目標には、Cox比例ハザードと加速故障時間モデルの両方を使用できます。コックスPHモデルがあり、これまでで最も広くハザード比は、各共変量/相互作用のための効果の大きさの尺度を与えるに臨床現場で使用されます。ただし、エンジニアリングの設定では、AFTモデルが最適です。