Come eseguire la validazione incrociata con un modello di rischio proporzionale Cox?

Supponiamo di aver costruito un modello di previsione per il verificarsi di una particolare malattia in un set di dati (il set di dati di creazione del modello) e ora voglio verificare il funzionamento del modello in un nuovo set di dati (il set di dati di convalida). Per un modello costruito con regressione logistica, calcolerei la probabilità prevista per ogni persona nel set di dati di convalida in base ai coefficienti del modello ottenuti dal set di dati di costruzione del modello e quindi, dopo aver dicotomizzato quelle probabilità con un valore di cutoff, posso costruire una tabella 2x2 ciò mi consente di calcolare il tasso positivo reale (sensibilità) e il tasso negativo reale (specificità). Inoltre, posso costruire l'intera curva ROC variando il cutoff e quindi ottenere l'AUC per il grafico ROC.

Supponiamo ora che io abbia effettivamente dei dati di sopravvivenza. Quindi, ho usato un modello di rischi proporzionali di Cox nel set di dati di creazione del modello e ora voglio verificare il funzionamento del modello nel set di dati di convalida. Poiché il rischio di base non è una funzione parametrica nei modelli Cox, non vedo come posso ottenere la probabilità di sopravvivenza prevista per ogni persona nel set di dati di convalida in base ai coefficienti del modello ottenuti nel set di dati di costruzione del modello. Quindi, come posso fare per verificare se il modello funziona nel set di dati di convalida? Ci sono metodi stabiliti per farlo? E se sì, sono implementati in qualche software? Grazie in anticipo per eventuali suggerimenti!

Una curva ROC non è utile in questa impostazione, sebbene lo sia l'area ROC generalizzata (c-index, che non richiede alcuna dicotomizzazione). Il rmspacchetto R calcolerà le versioni c-index e cross-validate o bootstrap con correzione di overfitting. È possibile farlo senza trattenere alcun dato se si pre-specifica completamente il modello o si ripete un algoritmo stepdown all'indietro ad ogni ricampionamento. Se vuoi veramente fare una validazione esterna, cioè se il tuo campione di validazione è enorme, puoi usare le seguenti rmsfunzioni: rcorr.cens, val.surv.

So che questa domanda è piuttosto vecchia, ma quello che ho fatto quando ho riscontrato lo stesso problema è stato usare la funzione di previsione per ottenere un "punteggio" per ogni argomento nel set di validazione. Questo è stato seguito dividendo i soggetti a seconda che il punteggio fosse superiore o inferiore a quello mediano e tracciando la curva di Kaplan-Meier. Ciò dovrebbe mostrare una separazione dei soggetti se il modello è predittivo. Ho anche testato la correlazione del punteggio (in realtà del suo ln [per distribuzione normale]) con la sopravvivenza usando la funzione coxph dal pacchetto di sopravvivenza in R.