Vergleich von CPH, beschleunigtem Ausfallzeitmodell oder neuronalen Netzen zur Überlebensanalyse

Ich bin neu in der Überlebensanalyse und habe kürzlich erfahren, dass es verschiedene Möglichkeiten gibt, dies bei einem bestimmten Ziel zu tun. Ich interessiere mich für die tatsächliche Umsetzung und Angemessenheit dieser Methoden.

Mir wurden die traditionellen Cox-Proportional-Hazards- , Accelerated-Failure-Time-Modelle und neuronalen Netze (Multilayer-Perzeptron) als Methoden vorgestellt, um das Überleben eines Patienten aufgrund seiner Zeit, seines Status und anderer medizinischer Daten zu sichern. Die Studie soll in fünf Jahren abgeschlossen sein und das Ziel ist es, jedes Jahr Überlebensrisiken für neue Rekorde anzugeben.

Ich habe zwei Fälle gefunden, in denen andere Methoden gegenüber dem Cox PH ausgewählt wurden:

1. Ich fand " Wie man Vorhersagen in Bezug auf die Überlebenszeit von einem Cox PH-Modell erhält " und es wurde erwähnt, dass:

   Wenn Sie besonders daran interessiert sind, Schätzungen der Überlebenswahrscheinlichkeit zu bestimmten Zeitpunkten zu erhalten, würde ich Sie auf parametrische Überlebensmodelle (auch als beschleunigte Ausfallzeitmodelle bezeichnet) hinweisen . Diese sind im Überlebenspaket für R implementiert und geben Ihnen parametrische Überlebenszeitverteilungen, wobei Sie einfach die Zeit eingeben können, an der Sie interessiert sind, und eine Überlebenswahrscheinlichkeit zurückerhalten können.

   Ich ging zur empfohlenen Seite und fand eine im survivalPaket - die Funktion survreg.

2. In diesem Kommentar wurden neuronale Netze vorgeschlagen :

   ... Ein Vorteil neuronaler Netzansätze für die Überlebensanalyse besteht darin, dass sie sich nicht auf die Annahmen stützen, die der Cox-Analyse zugrunde liegen ...

   Eine andere Person mit der Frage " R neuronales Netzwerkmodell mit Zielvektor als Ausgabe, die Überlebensvorhersagen enthält " gab eine erschöpfende Möglichkeit, das Überleben sowohl in neuronalen Netzwerken als auch in Cox PH zu bestimmen.

   Der R-Code für das Überleben lautet wie folgt:

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

3. Ich ging zu den R-Foren und fand diese Antwort in der Frage " Predict.Coxph und Predict.Survreg " :

   In der Tat können Sie aus der predict()Funktion der coxphnicht direkt "Zeit" -Vorhersagen erhalten, sondern nur lineare und exponentielle Risikobewertungen. Dies liegt daran, dass ein Basisrisiko berechnet werden muss, um die Zeit zu ermitteln, und dies ist nicht einfach, da es im Cox-Modell impliziert ist.

Ich habe mich gefragt, ob welche der drei (oder zwei unter Berücksichtigung der Argumente über Cox PH) am besten geeignet ist, um Überlebensprozentsätze für interessierende Zeiträume zu erhalten. Ich bin verwirrt, welchen ich für die Überlebensanalyse verwenden soll.

Es hängt davon ab, warum Sie Modelle herstellen. Zwei Hauptgründe für die Erstellung von Überlebensmodellen sind (1) Vorhersagen oder (2) die Modellierung der Effektgrößen von Kovariaten.

Wenn Sie sie in einer prädiktiven Umgebung verwenden möchten, in der Sie bei einer Reihe von Kovariaten eine erwartete Überlebenszeit erhalten möchten, sind neuronale Netze wahrscheinlich die beste Wahl, da sie universelle Approximatoren sind und weniger Annahmen treffen als die üblichen (halb-) parametrischen Modelle. Eine andere Option, die weniger beliebt, aber nicht weniger leistungsfähig ist, ist die Unterstützung von Vektormaschinen .

Wenn Sie modellieren, um Effektgrößen zu quantifizieren, sind neuronale Netze nicht sehr nützlich. Für dieses Ziel können sowohl Cox-Proportional-Hazards- als auch Accelerated-Failure-Time-Modelle verwendet werden. Cox-PH-Modelle werden bei weitem am häufigsten in klinischen Umgebungen verwendet, in denen die Hazard Ratio ein Maß für die Effektgröße für jede Kovariate / Interaktion angibt. In technischen Umgebungen sind AFT-Modelle jedoch die Waffe der Wahl.