Semi-Competing Risks on A Trivariate Weibull Survival Model
Cheng K. Lee, Jenq-Daw Lee
利用半竞争风险的概念，提出了一种三变量生存函数的构造方法.斯坦福心脏移植数据重新分析使用三变量威布尔分布模型与建议的生存函数。
A setting of a trivairate survival function using semi-competing risks concept is proposed. The Stanford Heart Transplant data is reanalyzed using a trivariate Weibull distribution model with the proposed survival function.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Benchmarking Classical, Machine Learning, and Bayesian Survival Models for Clinical Prediction
本研究使用乳腺癌数据集基准测试了经典、机器学习与贝叶斯生存模型，发现正确实现的贝叶斯可解释模型在预测性能上可与现代黑盒模型相媲美，揭示了复杂性与可解释性间的权衡。
WTNN: Weibull-Tailored Neural Networks for survival analysis
WTNN是一种专为Weibull生存研究设计的神经网络框架，通过整合定性先验知识，提升生存预测的稳健性和可解释性。
Sample size determination in superiority or non-inferiority clinical trials with time-to-event data under exponential, Weibull and Gompertz distributions
为了检验指数分布、Weibull分布和Gompertz分布对具有至事件发生时间数据的优效性试验（ST）或非劣效性试验（NT）的样本量确定的影响，我们分别给出了基于Weibull分布和Gompertz分布的ST或NT的两个样本量公式。将这些公式与当前的指数公式进行比较，以检查它们的性能。仿真结果表明，基于韦布尔分布的样本量公式在ST或NT中的稳健性最好。我们建议，提前认识到适当的分布是有益的，适当的项目规划，并假设威布尔分布的生存时间是最有利的ST或NT。
Use of survival analysis and simulation to improve maintenance planning of high voltage instrument transformers in the Dutch transmission system
本文介绍了使用生存分析和仿真来模拟荷兰输电系统中高压Transformers的寿命。为了表示资产年龄，使用非参数Kaplan-Meier方法来拟合韦布尔分布。这种方法在三种不同的电压水平上实现，即110 kV、150 kV和220/380 kV。真实的故障和检查数据被用来实现一个现实的故障模型的互感器。本研究使用了1989年至2021年期间发生的故障和维护数据。尽管存在缺失和低质量的数据，仍然可以准备丰富的故障数据库。这项研究还提供了对因素的见解（即，电压水平，在服务年龄）影响剩余寿命的图形生存函数和参数韦布尔分布分析。基于衍生的统计数据，未来可能的维护计划场景在数字孪生支持平台中的复杂系统建模框架下进行模拟。最后，根据更换成本（CAPEX）、检查小时数和不可用小时数对方案进行评估。
Competing Risks Analysis on Times to Commit Crimes
本文应用一个引入竞争风险概念的三变量威布尔生存模型，对性犯罪、暴力犯罪和其他犯罪的累犯进行了研究。放松了对每类犯罪的时间独立性的假设，以便可以评估任何两类犯罪之间的累犯时间的关联。我们发现性犯罪与暴力犯罪的再犯罪时间的相关性比其他两类犯罪的再犯罪时间的相关性更强。一个人在获释后因其他罪行被指控逮捕的概率大于因暴力犯罪被指控逮捕后又因性犯罪被指控逮捕的概率。
Estimation of conditional mixture Weibull distribution with right-censored data using neural network for time-to-event analysis
本文考虑了在预测维修和健康领域中常见的右删失数据下的生存分析。我们提出了一个基于两参数韦布尔分布估计的模型。为了实现这一结果，我们描述了一个神经网络架构和相关的损失函数，考虑到右删失数据。我们扩展的方法，两个参数的韦布尔分布的有限混合。我们首先验证了我们的模型能够在合成数据集上精确地估计条件韦布尔分布的正确参数。在两个真实数据集（METABRIC和SEER）的数值实验中，我们的模型优于最先进的方法。我们还表明，我们的方法可以考虑任何生存时间范围。
A Bivariate Power Generalized Weibull Distribution: a Flexible Parametric Model for Survival Analysis
我们关注的是双变量生存数据的灵活参数分析。在其他地方，我们赞扬了“功率广义威布尔”（PGW）分布作为单变量参数生存分析的一个有吸引力的工具的优点：它是一个易于处理的，简约的，模型，可解释允许各种各样的危险形状，当适应（给一个适应的PGW，或APGW，分布），涵盖了各种重要的特殊/限制情况。在这里，我们还观察到一个脆弱的PGW分布与一个值的参数，控制分布的选择在家庭和PGW分布与一个较小的值相同的参数之间的关系。我们利用这种脆弱性的关系，提出了一个二元共享脆弱性模型与PGW边缘分布：这些边际原来是由所谓的BB 9或“功率方差函数”copula连接。因此，在当前的背景下，这种特定的copula选择是很自然的。然后，我们适应的二元PGW分布，反过来，以适应APGW边缘。我们提供了一些双变量PGW和APGW模型的理论特性，并通过一个涉及众所周知的视网膜病变数据集的说明性示例显示了后者在实际工作中的潜力，该分析被证明是直接实施的，并且在其结果中提供了信息。本文的新颖之处在于将特定成分适当地组合成一个连贯而成功的整体。
Weibull Racing Survival Analysis with Competing Events, Left Truncation, and Time-varying Covariates
本研究提出贝叶斯非参数Weibull代理竞争（WDR）方法用于含竞争事件的生存分析，可处理左截断、时变协变量等复杂情况，通过合成与真实数据实验验证其优异性能与应用价值。
Piecewise survival models: a change-point analysis on herpes zoster associated pain data revisited and extended
对于许多疾病来说，可以合理地假设风险率在不同时间段内不是恒定的，而是在不同的时间间隔内发生变化。为了捕捉这一点，我们在这里使用分段生存模型。这种分段模型的主要问题之一是确定危险率变化的时间点。从实用的角度来看，这可以提供非常重要的信息，因为它可以反映疾病进展的变化。提出了带协变量的分段威布尔回归模型。假设发生变化的时间点未知，需要估计。还检查了不同阶段的风险率的相等性，以验证阶段的确切数量。一个基于带状疱疹数据的例子已被用来证明所开发的方法的实用性。
Survival and lifetime data analysis with a flexible class of distributions
本文引入了一类具有正支撑的连续单变量分布，它是通过对两片分布类进行变换而得到的。我们表明，这类分布是非常灵活的，易于实现，并包含成员，可以捕捉不同的尾部行为和形状，也产生了各种风险函数。建议的分布代表了一个灵活的替代经典的选择，如对数正态分布，伽玛分布和韦布尔分布。我们调查经验的推理性能的建议模型，通过广泛的模拟研究。我们提出了一些应用程序，使用真实的数据在时间到事件和加速故障时间模型的上下文中。在第二类应用中，我们探讨了这些模型在估计个体剩余寿命分布中的应用。
A principled distance-based prior for the shape of the Weibull model
平坦或弱信息先验的使用是流行的，由于在缺乏强先验信息的情况下的客观先验信念。在威布尔模型的情况下，不适当的均匀，等参数伽玛和联合杰弗里的先验的形状参数是流行的选择。这些先验的影响和行为还有待建立从建模的角度来看，特别是他们的能力，以减少到更简单的指数模型。在这项工作中，我们提出了一个新的原则性先验威布尔模型的形状参数，起源于距离函数的先验，并主张这种新的先验作为一个原则性的选择，在没有强先验信息。然后，这种新的先验可以用于具有威布尔建模组件的模型中，例如竞争风险、联合和空间模型等。该先验可在R-INLA中使用，并应用于使用INLA方法的联合患者生存模型框架中。
Accommodating the Analysis Model in Multiple Imputation for the Weibull Mixture Cure Model:Performance under Penalized Likelihood
本文提出兼容Weibull比例危险混合治愈模型的多重插补方法，通过模拟研究比较了不同插补模型在低事件率下的估计偏差和覆盖率。
Minimum message length inference of the Weibull distribution with complete and censored data
具有形状参数$k>0$和尺度参数$λ>0$的韦布尔分布是完全数据或删失数据生存分析中最常用的参数分布之一。虽然韦布尔分布参数的推断通常通过极大似然法进行，但已确定的是，当样本量较小或删失数据比例较大时，由于相关的大偏倚，形状参数的最大似然估计不充分。这篇手稿演示了如何贝叶斯信息理论的最小消息长度的原则，加上一个适当的选择弱信息先验分布，可以用来推断韦布尔分布参数给定完整的数据或数据与I型截尾。实验结果表明，所提出的形状参数的最小信息长度估计优于最大似然估计，并且在Kullback-Leibler风险方面优于最近提出的其他修正的最大似然估计.最后，我们推导出所提出的方法扩展到II型删失数据。
A Multi-parameter regression model for interval censored survival data
我们开发了灵活的多参数回归生存模型，用于纵向前瞻性研究和纵向随机对照临床试验中的区间删失生存数据。本文主要研究了一类全参数、非比例风险的多参数Weibull回归生存模型。我们描述的基本模型，开发的区间删失的可能性和扩展的模型，包括伽玛脆弱性和分散模型。我们通过模拟研究和信号Tandmobiel $^{\circledR}$研究数据的详细重新分析来评估模型。结果表明，多参数回归模型与脆弱性是计算效率高，并提供了一个很好的拟合数据。
A survival model for course-course interactions in a Massive Open Online Course platform
大规模开放式在线课程（MOOC）平台包含大型课程目录，单个学生可以注册多门课程。我们进行了基于网络的学生成绩分析，考虑如何课程互动可能会积极或消极地影响学生的成功。我们的数据集包括378，000名用户和1，000，000个在法国Universite Numerique（FUN）的唯一注册事件，这是一个国家MOOC平台。我们适应可靠性理论模型的证书完成率与威布尔生存函数，直觉，学生“生存”在一个过程中的一段时间之前，随机辍学。课程-课程交互被发现是很好地描述了一个单一的参数，用户参与，可以从用户的注册配置文件估计。反过来，用户参与度与所有课程的证书率相关，无论具体内容如何。可靠性的方法，以捕捉几个证书率模式，被忽视的传统回归模型。用户参与度是一个自然的指标，用于跟踪学生在人口统计数据和时间上的进步。
Inference on the Reliability Function with Type-I Censored Weibull Data
本文提出了一种新的精确推断方法，用于Weibull、对数正态和对数洛吉斯等分布的参数检验和置信区间计算，解决了截断数据和小样本下的可靠性推断问题。
merlin - a unified modelling framework for data analysis and methods development in Stata
梅林可以做很多事情。从简单的东西，如拟合线性回归或威布尔生存模型，到三水平logistic混合效应模型，或多个纵向结果（不同类型）和复发事件的多变量联合模型，以及非线性效应的生存.这一清单是无止境的。梅林能做我从未想过的事。我将使用一个数据集，并尝试向您展示merlin的全部功能，并讨论Stata中实现的一些未来方向。
A Real Data-Driven, Robust Survival Analysis on Patients who Underwent Deep Brain Stimulation for Parkinson's Disease by Utilizing Parametric, Non-Parametric, and Semi-Parametric Approaches
本研究利用参数化、非参数化和半参数化方法，分析帕金森病患者接受深部脑刺激后的生存情况，发现女性患者生存率较高，生存时间分布特征不同。
Smooth Transformation Models for Survival Analysis: A Tutorial Using R
本文介绍平滑变换模型框架在R中统一处理多种生存模型，包括非比例风险、相依删失等复杂场景，并利用直肠癌试验数据演示实现。
Bayesian Survival Analysis Using the rstanarm R Package
生存数据在一系列学科中都会遇到，最明显的是健康和医学研究。虽然贝叶斯方法对生存数据的分析可以提供许多好处，但它们的使用不如经典方法（例如基于可能性的方法）广泛。这可能部分是由于相对缺乏用户友好的贝叶斯生存模型的实现。在这篇文章中，我们描述了如何使用rstanarm R包来拟合各种贝叶斯生存模型。rstanarm软件包通过提供一个用户友好的界面（用户使用习惯的R公式语法和数据框指定其模型）和使用Stan软件（一个用于贝叶斯推断的C++库）进行后端估计，促进贝叶斯回归建模。可以使用rstanarm估计的模型套件很广泛，包括广义线性模型（GLM），广义线性混合模型（GLM），广义加性模型（GAM）等。在本文中，我们只关注生存建模功能。这包括标准参数（指数，威布尔，Gompertz）和灵活的参数（样条）风险模型，以及标准参数加速失效时间（AFT）模型。允许所有类型的删失（左删失、右删失、区间删失），以及延迟录入（左截断）、时变协变量、时变效应和脆弱性效应。我们通过工作示例演示功能。我们预计这些实现将增加贝叶斯生存分析在应用研究中的应用。
Empirical Simulation of Survival and Mixed-Type Data for Clinical Trial Design
本研究提出基于经验Copula的R包EmpiricalSim，用于模拟含多类型变量的多元生存数据，可匹配目标生存分布并保留变量间相关性，在肿瘤临床试验数据重建中表现良好。
A State Transition Model for Mobile Notifications via Survival Analysis
移动通知已成为社交网络服务的主要通信渠道，以保持用户知情和参与。随着越来越多的移动应用程序向用户推送通知，他们不断面临发送什么、何时以及如何发送的决定。缺乏研究和方法通常会导致启发式决策。许多通知在不恰当的时间到达或引入太多中断，无法为用户提供价值并引发用户投诉。在本文中，我们探讨移动通知和用户参与之间的交互的独特功能。我们提出了一个状态转换框架来定量评估通知的有效性。在这个框架内，我们开发了一个生存模型，假设一个对数线性结构和韦布尔分布的徽章通知。我们的研究结果表明，该模型实现了更灵活的应用程序和优越的预测精度比逻辑斯谛回归模型。特别是，我们提供了一个关于通知交付时间优化的在线用例，以展示我们如何做出更好的决策，推动更多的用户参与，并为用户提供更多的价值。
Bayesian Hierarchical Bernoulli-Weibull Mixture Model for Extremely Rare Events
估计用户行为的持续时间是大多数互联网公司关注的核心问题。生存分析是分析事件预期持续时间的一种有前景的方法，通常假设所有受试者的生存函数相同，并且事件将在长期内发生。然而，当用户行为不同或某些事件对于某些用户从未发生时，这样的假设是不合适的，即，轻度用户在Web服务上的转换期，不打算在该服务上积极行动。特别是，如果不活跃用户的比例很高，这种假设可能会导致不希望的结果。为了解决这些挑战，本文提出了一种混合模型，分别解决活跃和不活跃的个人与一个潜在的变量。首先，我们定义这个特定的问题设置，并显示在解决这个问题的传统生存分析的局限性。我们展示了如何自然我们的伯努利-威布尔模型可以适应的挑战。所提出的模型进一步扩展到贝叶斯分层模型，将每个主题的参数，在WAIC和WBIC方面提供了显着的改进，传统的，非分层模型。其次，使用BizReach，Inc.提供的日本求职网站CareerTrek的真实数据进行了实验和广泛的分析。在分析中，提出了一些研究问题，例如用户类别之间激活率和转化率的差异，以及事件发生率如何随时间推移而瞬间变化。定量的答案和解释分配给他们。此外，该模型是推断在贝叶斯的方式，这使我们能够表示的不确定性与可信区间的参数和预测量。
Interval-Censored Survival Analysis of Grapevine Phenology: Thermal Controls on Flowering and Fruit Ripening
本研究开发了基于区间删失生存模型的可重现工作流程，结合 USA-NPN 物候观测与 NASA POWER 天气数据，利用 AFT 模型分析葡萄藤开花和成熟，发现季前温暖条件显著促进早熟，为从公民科学物候数据中提取气候信号提供了有效方法。
SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis
本文提出SDPM，一种用于连续时间生存分析的生成模型，通过去噪扩散模型建模生存结果的条件分布，避免了对事件时间分布的参数假设，并在变换的目标空间中使用标准化对数时间和连续高斯混合表示来表示删失指示符，从而在多个真实生存数据集上取得了竞争力的预测性能。
A Flexible Parametric Modelling Framework for Survival Analysis
我们引入了一个通用的、灵活的、参数化的生存建模框架，该框架包括风险函数的关键形状（恒定、增加、减少、先上后下、先下后上）、各种常见的生存分布（对数逻辑、Burr类型XII、Weibull、Gompertz），并包括缺陷分布（即，治愈模型）。这种普遍性是使用四个基本的分布参数：两个尺度类型参数和两个形状参数。推广到协变量依赖性，尺度型回归分量对应于加速失效时间（AFT）和比例风险（PH）模型。因此，这个一般公式统一了最流行的生存模型，使我们能够考虑生存数据可能的建模选择的实际价值。此外，根据我们提出的灵活的基线分布，我们提倡使用多参数回归，其中多个分布参数取决于协变量-而不是通常的惯例，只有一个协变量依赖（尺度）参数。虽然有许多选择，我们建议通过两个尺度参数中的一个或另一个引入协变量，其中包括AFT和PH模型，结合一个“幂”形状参数，允许更复杂的非AFT/非PH效应，而另一个形状参数保持协变量独立，并处理基线分布的自动选择。我们探讨推理问题的模拟，无论是有和没有协变量，特别关注的证据有关的需要，或以其他方式，包括AFT和PH参数。我们通过使用来自肺癌研究和黑色素瘤研究的数据调查治疗组之间的差异来说明我们的建模框架的功效。删失被容纳在整个。
A simulation study of the estimation quality in the double-Cox model with shared frailty for non-proportional hazards survival analysis
Cox回归是一种半参数的生存分析方法，在生物医学领域有着广泛的应用。比例风险假设是Cox模型中的关键要求。为了适应非比例风险，我们建议使用额外的，单独的Cox回归项，这取决于协变量的向量参数化的基线风险函数的形状参数。我们称之为双Cox模型。用于拟合双Cox模型的R程序可以在Github上找到。我们正式介绍了双Cox模型与共享的脆弱性和调查，通过模拟，估计偏差和所提出的点和区间估计方法的Gompertz和Weibull基线风险的覆盖率。在具有低脆弱性方差和大量聚类的应用中，边缘似然估计几乎是无偏的，并且基于轮廓似然的置信区间为所有模型参数提供了良好的覆盖。我们还比较了过度拟合的双Cox模型的结果，从标准的Cox模型与脆弱的情况下，规模只成比例的风险。我们对模型参数的偏倚和覆盖范围的模拟结果见12个表格和145张A4图，共178页。
Experimental Comparison of Semi-parametric, Parametric, and Machine Learning Models for Time-to-Event Analysis Through the Concordance Index
在本文中，我们通过两个不同数据集（PBC和GBCSG2）上的一致性指数对半参数（Cox比例风险模型，Aalen的加性回归模型），参数（Weibull AFT模型）和机器学习模型（随机生存森林，具有Cox比例风险损失的梯度提升，DeepSurv）进行了实验比较。我们提出了两个比较：一个是这些模型的默认超参数，另一个是通过随机搜索找到的最佳超参数。
Normalised Local Hazard Plots
本文提出了一种用于生存数据分析模型验证的标准化局部危险图，通过比较非参数和参数危险率估计值构建危险比较函数，并讨论了检测力和时间离散模型的扩展。
A Weibull Mixture Cure Frailty Model for High-dimensional Covariates
本文提出一种融合脆弱成分与高维协变量的 Weibull 混合治愈模型，结合自适应弹性网惩罚和 EM 算法进行变量选择与推断，并在模拟和 TCGA 乳腺癌 RNAseq 数据中验证其预后性能。
Boosting Distributional Copula Regression for Bivariate Right-Censored Time-to-Event Data
提出一种用于右删失双变量事件时间数据的分布copula回归模型，通过梯度boosting实现自动变量选择，适用于高维数据。
Individualized Treatment Effects in Advanced Prostate Cancer: A Causal-Survival Modeling Approach to Risk-Guided Therapy
本文基于475例晚期前列腺癌随机试验数据，采用带交互项的Weibull AFT模型估计个体化治疗效应，揭示高剂量DES的疗效随年龄和肿瘤大小显著变化，并验证了估计的可靠性。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。