나는 생존 분석에 익숙하지 않으며 최근에 특정 목표가 주어지면 그것을 수행하는 다른 방법이 있다는 것을 배웠습니다. 이러한 방법의 실제 구현 및 적절성에 관심이 있습니다.
나는 시간, 상태 및 기타 의료 데이터를 고려하여 환자의 생존을 얻는 방법으로 전통적인 콕스 비례 위험 , 가속 장애 시간 모델 및 신경망 (다층 퍼셉트론)을 제시했습니다. 이 연구는 5 년 안에 결정된 것으로 알려져 있으며, 목표는 매년 새로운 기록을 줄 생존 위험을 제공하는 것입니다.
Cox PH에서 다른 방법을 선택한 두 가지 사례를 발견했습니다.
" Cox PH 모델에서 생존 시간 측면에서 예측을 얻는 방법 "을 찾았 으며 다음 과 같이 언급되었습니다.
특정 시점에서 생존 확률의 추정치를 얻는 데 특히 관심이있는 경우 파라 메트릭 생존 모델 (일명 가속 고장 시간 모델)을 제시 합니다. 이들은 R의 생존 패키지로 구현되며, 파라 메트릭 생존 시간 분포를 제공합니다. 여기서 관심있는 시간을 연결하고 생존 확률을 다시 얻을 수 있습니다.
권장 사이트로 가서
survival패키지 에서 함수를 찾았습니다survreg.이 의견 에서 신경망이 제안되었습니다 .
... 생존 분석에 대한 신경망 접근의 한 가지 장점은 Cox 분석의 기초가되는 가정에 의존하지 않는다는 것입니다.
" 생존 예측을 포함하는 출력으로서 목표 벡터를 갖는 R 신경망 모델 "이라는 질문을 가진 다른 사람 은 신경망과 Cox PH에서 생존을 결정하는 철저한 방법을 제시했다.
생존을 얻는 R 코드는 다음과 같습니다.
mymodel <- neuralnet(T1+T2+T3+T4+T5~covar1+covar2+covar3+..., data=mydata, hidden=1) compute(mymodel,data=mydata)R 포럼에 가서 " predict.coxph and predict.survreg " 질문에서이 답변을 찾았습니다 .
실제로, 사용자의
predict()기능을coxph통해 직접 "시간"예측을 얻을 수는 없지만 선형 및 지수 위험 점수 만 얻을 수 있습니다. 시간을 확보하기 위해 기준선 위험을 계산해야하고 Cox 모델에 내재되어 있기 때문에 간단하지 않기 때문입니다.
나는 관심있는 기간 동안 생존율을 얻는 데 가장 적합한 세 가지 (또는 Cox PH에 대한 인수를 고려한 두 가지) 중 어느 것이 가장 궁금한가? 나는 생존 분석에 어떤 것을 사용할지 혼란 스럽습니다.