Confronto di CPH, modello temporale accelerato di fallimento o reti neurali per analisi di sopravvivenza

Sono nuovo nell'analisi di sopravvivenza e ho recentemente appreso che ci sono diversi modi per farlo dato un determinato obiettivo. Sono interessato all'attuazione effettiva e all'adeguatezza di questi metodi.

Mi sono stati presentati i tradizionali modelli di rischio proporzionale di Cox , modelli temporali di fallimento accelerato e reti neurali (percetron multistrato) come metodi per ottenere la sopravvivenza di un paziente in base al loro tempo, stato e altri dati medici. Si dice che lo studio sarà determinato in cinque anni e l'obiettivo è quello di dare ogni anno rischi di sopravvivenza per ottenere nuovi record.

Ho trovato due casi in cui altri metodi sono stati scelti sul PH Cox:

1. Ho trovato " Come ottenere previsioni in termini di tempo di sopravvivenza da un modello di Cox PH " e mi è stato detto che:

   Se sei particolarmente interessato ad ottenere stime della probabilità di sopravvivenza in determinati punti temporali, ti indirizzerei verso modelli di sopravvivenza parametrici (noti anche come modelli temporali di fallimento accelerato) . Questi sono implementati nel pacchetto di sopravvivenza per R e ti daranno distribuzioni parametriche del tempo di sopravvivenza, in cui puoi semplicemente collegare il tempo che ti interessa e ottenere una probabilità di sopravvivenza.

   Sono andato al sito consigliato e ne ho trovato uno nel survivalpacchetto : la funzione survreg.

2. Le reti neurali sono state suggerite in questo commento :

   ... Un vantaggio degli approcci della rete neurale all'analisi di sopravvivenza è che non si basano sui presupposti alla base dell'analisi di Cox ...

   Un'altra persona con la domanda " Modello di rete neurale con vettore target come output contenente previsioni di sopravvivenza " ha fornito un modo esauriente di determinare la sopravvivenza sia nelle reti neurali che nel PH di Cox.

   Il codice R per ottenere la sopravvivenza sarebbe così:

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

3. Sono andato ai forum R e ho trovato questa risposta nella domanda " predict.coxph e predict.survreg " :

   In effetti, dalla predict()funzione del coxphnon è possibile ottenere direttamente previsioni "temporali", ma solo punteggi di rischio lineari ed esponenziali. Questo perché, al fine di ottenere il tempo, è necessario calcolare un rischio di base e non è semplice poiché è implicito nel modello di Cox.

Mi chiedevo se quale dei tre (o due considerando gli argomenti su Cox PH) sia il migliore per ottenere percentuali di sopravvivenza per periodi di tempo di interesse? Sono confuso quale di loro usare nell'analisi di sopravvivenza.

Dipende dal motivo per cui stai creando modelli. Due ragioni principali per costruire modelli di sopravvivenza sono (1) per fare previsioni o (2) per modellare le dimensioni degli effetti delle covariate.

Se si desidera utilizzarli in un ambiente predittivo in cui si desidera ottenere un tempo di sopravvivenza previsto dato un insieme di covariate, le reti neurali sono probabilmente la scelta migliore perché sono approssimatori universali e fanno meno ipotesi rispetto al solito (semi) parametrico Modelli. Un'altra opzione che è meno popolare ma non meno potente è il supporto di macchine vettoriali .

Se stai modellando per quantificare le dimensioni degli effetti, le reti neurali non saranno di grande utilità. Per questo obiettivo è possibile utilizzare sia i rischi proporzionali di Cox sia i modelli con tempi di guasto accelerati. I modelli di Cox PH sono di gran lunga i più utilizzati in ambito clinico, in cui il hazard ratio fornisce una misura della dimensione dell'effetto per ciascuna covariata / interazione. In ambito ingegneristico, tuttavia, i modelli AFT sono l'arma preferita.