Comparación de CPH, modelo de tiempo de fallo acelerado o redes neuronales para el análisis de supervivencia

Question

Soy nuevo en el análisis de supervivencia y recientemente he aprendido que hay diferentes maneras de hacerlo dado un determinado objetivo. Me interesa la aplicación real y la idoneidad de estos métodos.

Me presentaron el tradicional Riesgos proporcionales de Cox , Modelos de tiempo de fallo acelerado y redes neuronales (perceptrón multicapa) como métodos para obtener la supervivencia de un paciente dado su tiempo, estado y otros datos médicos. Se dice que el estudio se determinará en cinco años y el objetivo es dar riesgos de supervivencia cada año para los nuevos registros que se den.

He encontrado dos casos en los que se han elegido otros métodos en lugar del PH de Cox:

1. He encontrado " Cómo obtener predicciones en términos de tiempo de supervivencia a partir de un modelo PH de Cox " y se mencionó que:

   Si está especialmente interesado en obtener estimaciones de la probabilidad de supervivencia en puntos temporales concretos, le indicaría que se dirigiera a modelos paramétricos de supervivencia (también conocidos como modelos de tiempo de fallo acelerado) . Estos se implementan en el paquete de supervivencia para R, y le darán distribuciones paramétricas de tiempo de supervivencia, en las que puede simplemente introducir el tiempo que le interesa y obtener una probabilidad de supervivencia.

   Fui al sitio recomendado y encontré uno en el survival paquete - la función survreg .

2. Las redes neuronales fueron sugeridas en este comentario :

   ... Una de las ventajas de los enfoques de redes neuronales para el análisis de supervivencia es que no se basan en los supuestos que subyacen al análisis de Cox...

   Otra persona con la pregunta " Modelo de red neuronal en R con un vector objetivo como salida que contiene predicciones de supervivencia " dio una forma exhaustiva de determinar la supervivencia tanto en las redes neuronales como en el PH de Cox.

   El código R para obtener la supervivencia sería así:

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

3. Fui a los foros de R y encontré esta respuesta en la pregunta " predecir.coxph y predecir.survreg " :

   De hecho, desde el predict() función del coxph no se puede obtener directamente predicciones de "tiempo", sino sólo puntuaciones de riesgo lineales y exponenciales. Esto se debe a que, para obtener el tiempo, hay que calcular un peligro de referencia y no es sencillo, ya que está implícito en el modelo de Cox.

Me preguntaba si cuál de los tres (o dos teniendo en cuenta las discusiones sobre el PH de Cox) es mejor para obtener porcentajes de supervivencia para los periodos de tiempo de interés. Estoy confundido sobre cuál de ellos utilizar en el análisis de supervivencia.

Answer 1

¿Qué es el 42?

$$ 6 \times 9 = 42 \text{ base } 13 $$ Siempre supe que hay algo malo en este universo.