Strumenti di analisi di sopravvivenza in Python [chiuso]

Mi chiedo se ci sono pacchetti per Python in grado di eseguire analisi di sopravvivenza. Ho usato il pacchetto di sopravvivenza in R ma vorrei trasferire il mio lavoro su Python.

AFAIK, non ci sono pacchetti di analisi di sopravvivenza in Python. Come sopra commentato da mbq, l'unica rotta disponibile sarebbe quella di Rpy .

Anche se fosse disponibile un pacchetto Python puro, starei molto attento a usarlo, in particolare guarderei:

• Con che frequenza viene aggiornato.
• Ha una vasta base di utenti?
• Ha tecniche avanzate?

Uno dei vantaggi di R è che questi pacchetti standard ottengono una quantità enorme di test e feedback degli utenti. Quando si ha a che fare con dati reali, possono insinuarsi casi limite imprevisti.

Dai un'occhiata al progetto delle linee vita ¹ per un'implementazione semplice e pulita dei modelli di sopravvivenza in Python, incluso

• Stimatori di funzioni di sopravvivenza
• Stimatori di curve di rischio cumulative
• Modello di regressione proporzionale del rischio di Cox
• Modello di regressione variabile nel tempo di Cox
• modelli parametrici AFT
• Il modello di regressione additiva di Aalen
• Test multivariati

Benefici:

• costruito sulla cima di Panda
• Python puro e facile da installare
• funzioni di tracciamento integrate
• interfaccia semplice

La documentazione è disponibile qui: documentazione ed esempi

Esempio di utilizzo:

from lifelines import KaplanMeierFitter

survival_times = np.array([0., 3., 4.5, 10., 1.])
events = np.array([False, True, True, False, True])

kmf = KaplanMeierFitter()
kmf.fit(survival_times, event_observed=events)

print(kmf.survival_function_)
print(kmf.median_)
kmf.plot()

Grafici di esempio dalla libreria di stampa integrata:

1. Disclaimer: sono l'autore principale. Ping me (e-mail nel profilo) per domande o feedback sulle linee vita .

python-asurv è uno sforzo per portare il software asurv per metodi di sopravvivenza in astronomia. Potrebbe valere la pena tenere d'occhio, ma cgillespie è giusto per le cose a cui fare attenzione: ha una lunga strada da percorrere e lo sviluppo non sembra attivo. (AFAICT esiste un solo metodo e persino completato, il pacchetto potrebbe non essere disponibile, diciamo, per i biostatisti.)

Probabilmente stai meglio usando il pacchetto di sopravvivenza in R da Python attraverso qualcosa come RPy o PypeR . Non ho avuto problemi a farlo da solo.

PyIMSL contiene una manciata di routine per le analisi di sopravvivenza. È gratuito come nella birra per uso non commerciale, altrimenti completamente supportato. Dalla documentazione nella Guida dell'utente di Statistics ...

Calcola le stime di Kaplan-Meier delle probabilità di sopravvivenza: kaplanMeierEstimates ()

Analizza i dati di sopravvivenza e affidabilità utilizzando il modello di rischi proporzionali di Cox: propHazardsGenLin ()

Analizza i dati di sopravvivenza usando il modello lineare generalizzato: survivalGlm ()

Stime utilizzando varie modalità parametriche: survivalEstimates ()

Stima una funzione di rischio di affidabilità utilizzando un approccio non parametrico: nonparamHazardRate ()

Produce tabelle di vita di popolazioni e coorti: lifeTables ()

Ora puoi usare R da IPython , quindi potresti voler esaminare l'utilizzo di IPython con l'estensione R.

Vorrei anche menzionare la sopravvivenza di scikit , che fornisce modelli per l'analisi di sopravvivenza che possono essere facilmente combinati con strumenti di scikit-learn (ad es. Convalida incrociata di KFold).

Al momento della stesura di questo articolo, la sopravvivenza di scikit include implementazioni di

• Stimatore Nelson-Aalen della funzione di rischio cumulativo.
• Stimatore di Kaplan-Meier della funzione di sopravvivenza.
• Modello di rischio proporzionale di Cox con e senza penalità di rete elastica.
• Modello temporale di errore accelerato.
• Survival Support Vector Machine.
• Modello Cox potenziato con gradiente.
• indice di concordanza per la valutazione delle prestazioni.

Oltre a utilizzare Rthrough RPyo equivalenti, ci sono un certo numero di routine di analisi di sopravvivenza nella libreria python statsmodels (precedentemente sicpy.statsmodel). Sono nel pacchetto "sandbox", il che significa che non dovrebbero essere pronti per la produzione in questo momento.

Ad esempio, il modello di rischio proporzionale Cox è codificato qui .