Survival trees for left-truncated and right-censored data, with application to time-varying covariate data
树方法（递归划分）是一种流行的非参数数据分析方法。基本树方法的一个扩展是生存树，它将递归划分应用于删失生存数据。现有的几种生存树方法主要是针对右删失数据设计的。本文提出了两种新的左截断右删失数据生存树，它可以看作是传统右删失数据生存树的推广。此外，我们表明，这种树可以用来分析生存数据随时间变化的协变量，基本上建立一个随时间变化的协变量生存树。仿真和实际数据分析结果表明，所提方法分别对LTRC数据和生存数据具有较好的效果。
2016-06-09 stat.ME
A novel calibration framework for survival analysis when a binary covariate is measured at sparse time points
临床和队列研究的目标通常包括评价时间依赖性二元治疗或暴露与生存结局的相关性。最近，几项有影响力的研究针对服用阿司匹林与结直肠癌诊断后生存率之间的关系。由于手术，阿司匹林服用值在基线时为零，可能在某个时间点变为1。估计这种关联是复杂的，只有间歇性测量阿司匹林服用。简单的、常用的方法可能会导致严重的偏差。我们提出了一类校准模型的分布的状态变化的二元协变量。从这些模型获得的估计，然后纳入比例风险偏似然以自然的方式。我们开发非参数，半参数和参数校准模型，并推导出渐近理论的方法，我们在阿司匹林和结直肠癌的研究中实施。我们的方法允许在校准模型中包括额外的基线变量，用于二元协变量的状态变化时间。我们进一步开发了一种风险集校准方法，该方法在二元协变量与生存率之间的关联较强的情况下更有用。
2018-01-04 stat.AP stat.ME stat.OT
Around the goal: Examining the effect of the first goal on the second goal in soccer using survival analysis methods
在本文中，我们将生存技术的足球数据，治疗的目标得分感兴趣的事件。它特别关注比赛中第一个进球的时间和第二个进球的时间之间的关系。为此，对相关的生存分析概念进行了调整，并建立了风险函数的Cox模型。还考虑了时间相关协变量和虚弱项等属性。我们还使用可靠的倾向得分来总结赛前协变量。从结果中得出的结论是，第一个进球的发生可能会加速或阻碍下一个进球，这取决于进球的时间。此外，一旦进球，随着比赛的进行，另一个进球的可能性越来越大。此外，无论进球还是失球，第一个进球效应都是相同的。
2012-07-29 stat.AP
Principled Selection of Baseline Covariates to Account for Censoring in Randomized Trials with a Survival Endpoint
对具有至事件发生时间终点的随机试验的分析几乎总是受到删失问题的困扰。由于删失机制通常是未知的，分析通常采用无信息删失的假设。虽然随着更多基线协变量的调整，这一假设通常变得更合理，但这种调整也引起了人们的担忧。预先规定哪些协变量将被调整（以及如何调整）是困难的，因此促使使用数据驱动的变量选择程序，这可能会阻碍有效的推断。此外，协变量的调整增加了对模型误设的担忧，以及调整集的每次变化也会改变删失假设和处理效应被估量。在本文中，我们讨论了这些问题，并提出了一个简单的变量选择策略，旨在产生一个有效的测试的空在大样本。该建议可以使用现成的（惩罚）Cox回归软件来实现，并且根据经验发现在模拟研究和真实数据分析中效果良好。
2020-07-16 stat.AP stat.ME
Including an infrequently measured time-dependent error-prone covariate in survival analyses: a simulation-based comparison of methods
本研究针对生存分析中随时间变化、测量有误差且观测间歇性的协变量问题，通过43种模拟场景比较五种分析方法，发现多重插补法和联合建模法表现较优，经典回归校准法因信息性截断应避免使用。
2025-02-22 stat.AP
Exogenous time-varying covariates in double additive cure survival model with application to fertility
扩展治愈生存模型能够将影响事件概率（或"长期"生存）的协变量与仅影响事件时间（或"短期"生存）的协变量分开。我们建议推广有界累积风险模型，以处理时变（外源）协变量共同影响长期和短期生存的附加项。惩罚参数的选择是该框架中的一个挑战。提出了一种基于拉普拉斯近似的贝叶斯P样条模型快速算法。该方法的动机是生育率研究，妇女的特点，如就业状况和收入（仅举几例），可以在一个不平凡的和频繁的方式在个人的后续行动。该方法还说明了从德国养恤基金，使我们能够研究妇女的时间变化的收入如何与第一次生育的过渡登记数据。
2023-02-02 stat.ME
Comparison of Baseline Covariate Adjustment Methods for Restricted Mean Survival Time
限制平均生存时间是一种临床上易于解释的指标，不需要任何比例风险假设。我们专注于两种直接建模生存时间和调整协变量的方法。一种方法是使用留一法计算每例受试者的假生存时间，然后使用所有假值进行模型分析，以调整协变量。在模型分析中，伪生存时间用于反映删失受试者的信息。另一种方法使用观察到至事件时间的受试者调整协变量，同时使用删失加权逆概率（IPCW）调整删失受试者。本文通过一个简单的例子数据集和计算机模拟来评估这两种方法在检测组差异方面的性能。这个简单的例子说明了这两种方法的直观行为。使用伪生存时间的方法，很难解释伪值。我们证实，由于许多删失数据，假生存时间与原发性胆汁性胆管炎临床试验中获得的实际数据不同。在仿真中，使用IPCW的方法被发现是更强大的。即使在删失发生率和协变量存在组间差异的情况下，使用IPCW的方法也能维持1型错误率的名义显著性水平。我们认为，在调整协变量时，应使用IPCW方法估计限制性平均生存时间。
2022-11-01 stat.ME
Estimating marginal survival function by adjusting for dependent censoring using many covariates
右删失数据生存分析的一个目标是估计相依删失下的边际生存函数。当许多辅助协变量足以解释相关删失时，由于辅助信息的高维性，基于条件生存函数的半参数模型或非参数模型的估计可能存在问题。在本文中，我们使用两个工作模型来压缩这些高维协变量的降维，然后估计的边际生存函数可以推导出非参数在低维空间。我们证明了这样的估计具有以下双重鲁棒性：当任一工作模型是正确的，估计是一致的，渐近高斯;当两个工作模型是正确的，渐近方差达到效率界。
2004-10-05 math.ST stat.TH
Generic solution of the heterogeneity-induced competing risk problem in survival analysis
大多数论文隐含假设竞争风险由剩余队列异质性诱导，即记录的协变量未捕获的异质性。基于这一观察，我们开发了一个通用的统计描述的竞争风险，统一的主要学派的思想。假设异质性引起的竞争风险比假设风险独立性弱得多。然而，我们表明，它仍然施加了足够的限制，以解决竞争风险问题，并推导出精确的公式净化的主要风险率和原因特定的生存功能。规范描述是在一个队列的所有风险的个人风险率的协变量约束函数分布。假设在个体水平上的比例风险导致了这种分布的自然参数化，从中Cox回归、脆弱性和随机效应模型以及潜在类模型都可以在特殊限制下恢复，并且还生成了参数化的累积发生率函数（Fine和Gray的语言）。我们演示了合成数据的通用方法可以发现和映射队列的子结构，如果这样的子结构存在，并删除异质性引起的假保护和假曝光效果。从ULSAM研究的实际生存数据，前列腺癌作为主要风险的应用程序，发现给以前的反直觉的推论合理的替代解释。
2013-06-30 stat.AP
Modeling left-truncated and right-censored survival data with longitudinal covariates
在生存数据建模中包括纵向协变量的医学随访研究激增。到目前为止，焦点主要集中在右删失的生存数据上。我们考虑生存数据，是左截断和右删失。左截断是一种常见的产生有偏样本的方法。对于涉及可观察的基线或时变协变量的情况，文献中已经解决了采样偏倚问题。然而，对于生存模型中存在纵向协变量的重要情况，问题仍然是开放的。联合似然方法已被证明在文献中提供了一种有效的方法来克服这些困难的右删失数据，但这种方法面临着大量的额外的挑战，在左截断的存在。因此，在这里，我们提出了一种替代的可能性，以克服这些困难，并表明在生存组件的回归系数可以无偏地和有效地估计。讨论了纵向分量的偏置问题。新的方法是通过模拟和多中心艾滋病队列研究的数据数值说明。
2012-09-24 math.ST stat.TH
A Unified Approach to Covariate Adjustment for Survival Endpoints in Randomized Clinical Trials
本文提出一种统一且易于理解的增广方法，用于随机临床试验中生存终点的协变量校正，通过统计或机器学习估计最优增广项以最小化渐近方差，并在R包sleete中实现。
2025-05-08 stat.ME
Robust Tests for Treatment Effect in Survival Analysis under Covariate-Adaptive Randomization
协变量适应性随机化在临床试验中很流行，患者顺序到达，以平衡可能影响疗效的预后因素之间的治疗分配。协变量自适应随机化在生存分析中的应用由来已久，主要应用于生存分析，但现有的协变量自适应随机化治疗效果检验理论仅限于线性或广义线性模型下的检验。通常情况下，医生会简单地采用传统的检验，如对数秩检验或评分检验来比较两种治疗，这是有争议的，因为在简单随机化下得出的检验在其他随机化方案下可能无效。在这篇文章中，我们证明了在简单随机化下有效的log-秩检验在协变量自适应随机化下的I型错误方面是保守的，并且在简单随机化下发展的稳健得分检验在协变量自适应随机化下不再稳健。然后，我们提出了一个校准类型的对数秩或得分测试，是有效的和强大的简单随机化和一个大家庭的协变量自适应随机化方案。此外，我们得到了Pitman的功效对数秩和得分测试比较他们的渐近相对效率。在几种流行的随机化方案下，对各种检验的I类误差和功效进行了模拟研究。
2019-04-03 math.ST stat.TH
A Survival Analysis of the Duration of Olympic Records
我们使用重复事件生存分析技术和方法来分析奥运会记录的持续时间。使用卡普兰-迈耶估计量进行初步检验，并使用Wang & Chang（1999）和Pena et al.（2001）提出的复发事件幸存函数估计量估计生存曲线。采用考克斯比例风险模型的扩展以及重复事件的离散时间逻辑模型来估计模型并量化参数显著性。根据Akaike信息标准（AIC），logistic模型是数据的最佳拟合。我们详细讨论了这个模型的协变量显著性，并预测了2012年伦敦奥运会将创造多少记录。关键词：生存分析，复发事件，卡普兰-迈耶估计量，考克斯比例风险模型，奥运会。
2012-07-25 stat.AP
Z-residual diagnostics for detecting misspecification of the functional form of covariates for shared frailty models
在生存分析中，风险函数往往依赖于一组协变量。鞅和偏差残差最广泛地用于检查协变量函数形式的有效性，通过检查其对连续协变量的散点图中是否存在可辨别的趋势。然而，目视检查鞅和偏差残差往往是主观的。此外，由于删失，这些残差缺乏参考分布。因此，它是具有挑战性的数值统计检验的基础上鞅或偏差残差。在本文中，我们扩展了随机生存概率的思想（Li et al. 2021），并开发了一种残差诊断工具，可以提供图形和数值检验，用于检查半参数共享脆弱模型中的协变量函数形式。我们开发了一个通用函数，它基于R中\texttt{survival}包中\texttt{coxph}函数的输出计算半参数共享脆弱模型的Z残差。我们广泛的模拟研究表明，基于Z-残差推导的数值检验方法对于检验协变量的函数形式有很大的作用。在急性髓性白血病患者生存时间建模的实际数据应用中，Z-残差诊断结果表明，具有对数变换的模型不适合建模生存时间，这不能通过其他诊断方法检测。
2023-02-17 stat.ME
Generating survival times using Cox proportional hazards models with cyclic time-varying covariates, with application to a multiple-dose monoclonal antibody clinical trial
在两项通过多次输注单克隆抗体VRC01预防HIV感染的协调有效性研究中，一个关键目的是评价VRC01的血清浓度（随输注时间周期性变化）是否与HIV感染率相关。在发展这种生存模式时需要进行模拟研究。在本文中，我们考虑模拟事件时间数据与连续的时变协变量，其值随时间变化，通过多个药物管理周期，其对生存的影响变化不同的阈值之前和之后，在每个周期内。后者适应具有零保护生物标志物阈值的设置，高于该阈值，药物根据生物标志物水平提供不同水平的保护，但低于该阈值，药物不提供保护。我们提出了两种模拟方法：一种是基于模拟生存数据下的单剂量方案，首先在多剂量数据汇总之前，另一种是基于模拟生存数据直接下的多剂量方案。我们根据考克斯比例风险模型生成事件发生时间数据，该模型基于反转累积风险函数和用于将风险函数与协变量关联的对数链接函数。该方法的有效性进行了评估，在两组模拟实验。结果表明，所提出的程序在产生符合其循环性质和考克斯比例风险模型假设的数据方面表现良好。
2018-01-25 stat.ME
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。
2019-01-10 stat.ME
Retarded kernels for longitudinal survival analysis and dynamic prediction
根据观察到的协变量预测患者生存概率是临床实践中的重要评估。这些患者特异性协变量通常在多次随访预约中进行测量。然后，感兴趣的是根据这些纵向测量的历史来预测生存率，并随着更多的观察结果变得可用而更新预测。这些所谓“动态预测”评估的标准方法是联合模型和地标分析。联合模型涉及高维参数化，其计算复杂性通常禁止包括多个纵向协变量。里程碑分析比较简单，但在每个“里程碑时间”丢弃一部分现有数据。在这项工作中，我们提出了一个“延迟内核”的动态预测，坐在两个标准方法之间的复杂性。通过条件风险率直接在协变量测量的观察时间范围内，我们定义了一个模型，考虑到协变量测量的全部历史，但更实用和简约比联合建模。时间依赖关联核描述了早期协变量变化对后期患者风险率的影响。在我们的模型（i）减少到标准的Cox模型的时间无关的协变量的约束下，（ii）包含作为特殊情况的瞬时Cox模型，我们得到两个自然的内核参数化。在应用到三个临床数据集，我们发现，延迟核方法的预测精度是现有的两个标准方法相媲美。
2021-11-10 stat.ME
FastCPH: Efficient Survival Analysis for Neural Networks
Stanford University（斯坦福大学）；Université Paris 1 Panthéon-Sorbonne（巴黎第一大学先贤祠-索邦大学）；University of Toronto（多伦多大学）；Northwestern University（西北大学）
考克斯比例风险模型是生存分析中用于预测给定临床或遗传协变量的患者预期寿命的典型方法--其原始形式是线性模型。近年来，已经提出了几种方法将Cox模型推广到神经网络，但没有一种方法在数值上正确且计算效率高。我们提出了FastCPH，一个新的方法，运行在线性时间，并支持标准的Breslow和Efron的方法绑定事件。我们还展示了FastCPH与LassoNet相结合的性能，LassoNet是一种神经网络，通过特征稀疏性在生存数据集上提供可解释性。最后的程序是有效的，选择有用的协变量，并优于现有的CoxPH方法。
2022-08-21 cs.AI stat.AP stat.ML
Dynamic prediction and analysis based on restricted mean survival time in survival analysis with nonproportional hazards
在临床诊断和治疗过程中，限制平均生存时间（RMST）反映了患者在特定时间内的预期寿命，可作为一个适当的结局指标。然而，RMST仅计算随访开始后一段时间内患者的平均生存时间，可能无法准确描述患者预期寿命随时间的变化。预期寿命可以根据患者已经存活的时间进行调整，并定义为条件限制平均生存时间（cRMST）。在cRMST的基础上，通过引入时变协变量和时变效应协变量，可以建立动态RMST模型。我们分析了原发性胆汁性肝硬化（PBC）的研究数据，以说明使用的动态RMST模型。使用C指数和预测误差来评估预测性能。所提出的动态RMST模型，它可以探讨预后因素对生存时间的动态影响，具有更好的预测性能比RMST模型。三个PBC患者的例子被用来说明如何预测cRMST在不同的预测时间在随访期间的变化。基于cRMST的动态RMST模型的使用允许通过更新患者的个性化动态预期寿命来优化基于证据的决策。
2021-06-20 stat.AP stat.ME
spBayesSurv: Fitting Bayesian Spatial Survival Models Using R
空间生存分析在过去的20年里受到了极大的关注，由于地理信息可以在预测生存方面发挥重要作用。本文介绍了一组程序，用于使用软件包spBayesSurv在R中实现一些贝叶斯空间生存模型。函数survregbayes包括三个最常用的半参数模型：比例风险、比例几率和加速失效时间。同时适应所有方式的删失生存时间，包括未删失、区间删失、当前状态、左删失和右删失以及这些的混合。左截断的数据也被容纳。在分段常数假设下，允许时间相关协变量。地理参考和区域观察的空间位置都是通过弱点处理的。模型拟合与条件Cox-Snell残差图进行评估，并通过对数伪边缘似然，偏差信息准则和渡边赤池信息准则进行模型选择。具有协变量依赖基线的加速失效时间脆弱性模型包含在函数frailtyGAFT中。此外，该软件包还提供了两个边际生存模型：比例风险和线性依赖Dirichlet过程混合，其中空间依赖性通过空间Copula建模。请注意，该包还可以使用上述模型的非空间版本来处理非空间数据。
2018-04-24 stat.AP stat.CO
Debiased machine learning for counterfactual survival functionals based on left-truncated right-censored data
提出基于去偏机器学习的非参数估计量，用于在左截断右删失数据下估计反事实生存时间与协变量联合分布，支持灵活机器学习工具集成与稳健推断。
2024-11-13 math.ST stat.ME stat.TH
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。
2023-08-24 stat.ME
WTNN: Weibull-Tailored Neural Networks for survival analysis
SIMMT；LPSM, Sorbonne Université（LPSM，索邦大学）；CREST Laboratory CNRS UMR 9194（CREST实验室 CNRS UMR 9194）；EDF R&D – SINCLAIR Laboratory（EDF R&D – SINCLAIR实验室）
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。
2025-12-09 cs.LG stat.AP stat.ME
A Flexible Joint Longitudinal-Survival Modeling Framework for Incorporating Multiple Longitudinal Biomarkers
我们感兴趣的是血液透析患者的生存分析，这些患者的几种生物标志物随时间的推移而被记录。出于这个具有挑战性的问题，我们提出了一个通用的框架，多变量联合生存建模，可用于检查几个纵向记录的协变量和事件发生时间终点之间的关联。我们的方法允许同时建模的纵向协变量，考虑到它们的相关性。这导致了一种更有效的方法来建模它们随时间的轨迹，因此，它可以更好地捕捉它们与生存结果的关系。
2018-07-26 stat.ME
How much of the past matters? Using dynamic survival models for the monitoring of potassium in heart failure patients using electronic health records
本文针对心力衰竭患者钾水平监测提出基于小波滤波和landmarking的动态生存模型，强调近期短期钾波动比长期均值更具预后价值，并在超过2000名患者数据上验证了其预测优势。
2023-10-26 stat.AP stat.ME
Extrapolation before imputation reduces bias when imputing censored covariates
针对严重删失协变量插补中条件均值积分被截断导致高偏倚的问题，提出将半参数生存估计与参数化尾部外推拼接的混合方法，先外推再插补，显著降低偏倚并改善临床试验患者优先级排序。
2023-11-29 stat.ME
Nonparametric Bayesian Lomax delegate racing for survival analysis with competing risks
McCombs School of Business（麦克库姆斯商学院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们建议Lomax代表比赛（LDR）明确建模生存机制下的竞争风险，并解释如何协变量加速或减速的时间事件。LDR通过竞争潜在无限数量的子风险来解释非单调协变量效应，因此放松了可能过于限制的无处不在的比例风险假设。此外，LDR自然不仅能够对删失进行建模，而且还能够对缺失的事件时间或事件类型进行建模。对于推理，我们为中等大小的数据开发了一个数据增强下的Gibbs采样器，以及一个用于大数据应用的随机梯度下降最大后验推理算法。说明性的实验提供了合成和真实的数据集，并与各种基准算法的生存分析与竞争风险的比较证明了出色的性能LDR。
2019-01-01 cs.LG stat.AP stat.ME
A discrete-time survival model to handle interval-censored covariates, with applications to HIV cohort studies
本文提出一类离散时间参数生存模型，通过对区间删失的次要事件、结局和删失机制联合建模，解决协变量区间删失问题，并应用于南非HIV队列研究估计HIV状态对全因死亡率的影响。
2025-06-05 stat.ME
Survival trees for right-censored data based on score based parameter instability test
右删失数据的生存分析经常出现在包括医学研究在内的许多研究领域。协变量（及其相互作用）对生存分布的影响可以通过现有的方法进行研究，这些方法需要预先指定协变量的函数形式，包括它们的相互作用。当协变量的影响形式未知时，生存树提供了相对灵活的方法。大多数当前可用的生存树构建技术不是基于正式的显著性测试;然而，最近提出的ctree算法（Hothorn等人，2006）使用置换测试来进行分裂决策，有时可能是保守的。我们考虑异质性统计显著性的参数不稳定性检验，以防止协变量效应变异的虚假结果，但又不过分保守。我们提出了SurvCART算法来在条件推理框架下构建生存树（Hothorn等人，2006），其通过参数不稳定性测试来选择分裂变量，并且随后基于某个最大选择的统计量来找到最优分裂。值得注意的是，不同于现有的算法，只专注于事件时间分布的异质性，建议SurvCART算法可以采取分裂决策的基础上，删失分布，以及随着事件时间分布的异质性。通过仿真对SurvCART算法的运行特性进行了参数不稳定性测试和对比评估。最后将SurvCART算法应用于实际数据集。该方法在CRAN上的R软件包LongCART中完全实现。
2020-06-27 stat.ME
Nonlinear Semi-Parametric Models for Survival Analysis
Carnegie Mellon University（卡内基梅隆大学）
半参数生存分析方法，如Cox比例风险（CPH）回归（Cox，1972），是一种流行的生存分析方法。这些方法涉及拟合对数比例风险作为协变量的函数，并且很方便，因为它们不需要估计基线风险率。最近的方法涉及学习输入协变量的非线性表示，并表现出更好的性能。在本文中，我们反对这种深度参数化的生存分析和实验证明，更多的可解释的半参数模型的灵感来自专家的混合物表现同样出色，或在某些情况下比这种过度参数化的深度模型更好。
2019-05-14 cs.LG stat.ML
A multiple imputation approach to distinguish curative from life-prolonging effects in the presence of missing covariates
本文针对协变量缺失的Cox比例风险治愈模型，提出基于多重插补和全条件指定的改进方法，分别对治愈概率和未治愈者生存建模，并在BO06骨肉瘤临床试验数据上验证其优于完整案例分析和全协变量分析。
2024-12-30 stat.ME
Optimal model averaging forecasting in high-dimensional survival analysis
本文考虑了生存反应变量的超高维预测问题。我们提出了一个两步模型平均程序，以提高生存反应变量的真实条件均值的预测精度。第一步是构造一类候选模型，每个模型都具有低维协变量。为此，开发了一种特征筛选程序，通过边际BuckleyCJames指数分离活性和非活性预测因子，并将具有相似指数大小的协变量分组在一起，形成具有生存反应变量的回归模型。该筛选方法能在协变量相关删失下筛选出有效的预测因子，在较弱的正则条件下具有一定的筛选一致性。第二步是找到最佳的模型权重平均通过适应删除一个交叉验证标准，没有标准的约束，权重总和为1。理论结果表明，删除一交叉验证准则实现了最低可能的预测损失渐近。数值研究表明，所提出的变量筛选和模型平均程序优于现有的方法的性能。
2022-11-24 math.ST stat.ME stat.TH
Survival Analysis Using a 5-Step Stratified Testing and Amalgamation Routine in Randomized Clinical Trials
随机临床试验通常被设计来评估测试治疗相对于对照治疗是否延长生存期。患者异质性增加虽然有利于结果的普遍性，但可能会削弱常用统计方法检测治疗差异的能力，从而可能阻碍安全有效治疗的监管批准。针对这一问题提出了一种新的解决方案。在分析计划中预先规定了在任一治疗下可能预后生存的基线协变量列表。在分析阶段，使用所有观察到的生存时间，但对患者水平的治疗分配不知情，用弹性网Cox回归去除“噪声”协变量。条件推理树算法使用缩短的协变量列表将异质性试验人群分割为统计学上同质的患者亚群（风险分层）。患者水平治疗揭盲后，在每个形成的风险分层内进行治疗比较，并将分层水平结果合并用于总体统计推断。我们提出的5步分层测试和合并程序（5-STAR）的令人印象深刻的功率提升性能，相对于对数秩检验和其他不利用固有结构化患者异质性的常见方法，使用假设和两个真实数据集以及模拟结果进行说明。此外，强调了报告分层水平比较处理效应（加速失效时间模型拟合的时间比与模型平均值，以及根据需要，Cox比例风险模型拟合的风险比）的重要性，认为这是个性化用药的潜在推动因素。fiveSTAR R软件包可在https://github.com/rmarceauwest/fiveSTAR上获得。
2020-04-28 stat.AP stat.ME stat.ML
Analysis of dynamic restricted mean survival time based on pseudo-observations
针对静态RMST无法反映随时间变化的生存状况，提出基于伪观测的cRMST估计与检验方法，并构建动态RMST预测模型，模拟与实际数据验证其准确性和优越预测性能。
2023-06-24 stat.AP stat.ME
On sample size determination for restricted mean survival time-based tests in randomized clinical trials
在随机临床试验中，限制平均生存时间（RMST）作为量化处理效应对生存结局的影响的一种指标正受到关注。提出了几种基于RRST检验确定样本量的方法。然而，据我们所知，没有关于基于RRST的检验的增强版本的把握度和样本量的讨论，该检验利用基线协变量获得估计效率和检验无处理效应的把握度。基于对数秩检验的传统事件驱动研究设计允许我们计算给定风险比的功效，而无需指定生存函数。与此相反，现有的样本量确定方法的RRST为基础的测试依赖于两组的整个生存曲线的假设的充分性。此外，为了处理增广检验，必须处理基线协变量与鞅残差之间的相关性。为了解决这些问题，我们提出了一个近似的样本量公式，用于基于RRST的检验的增强版本，它不需要指定治疗组中的整个生存曲线，以及一种样本量重新计算方法，用于更新基线协变量与设盲数据的鞅残差之间的相关性。即使在设计阶段无法指定正确的生存函数，所提出的程序也将使研究具有给定RMST差异的目标功效。
2022-12-16 stat.ME
Bayes linear kinematics in a dynamic Bayesian survival model
贝叶斯线性运动学和贝叶斯线性贝叶斯图形模型提供了贝叶斯线性方法的扩展，使得完全条件更新可以与贝叶斯线性置信度调整相结合。在本文中，我们探讨了这种方法的应用程序更复杂的问题：即生存分析与时间依赖的协变量的影响。我们使用一个分段常数风险函数，其中协变量效应随时间相关。避免了对计算密集型方法的需要，并且相对简单的结构便于解释。我们的方法消除了非交换性的问题，这是在早期的工作中观察到的Gamerman。我们将该技术应用于白血病患者的生存时间数据。
2016-11-15 stat.ME
Testing for sufficient follow-up in cure models with categorical covariates
Korteweg-de Vries Institute for Mathematics, University of Amsterdam（阿姆斯特丹大学柯特维格-德弗里斯数学研究所）；ORSTAT, KU Leuven（鲁汶大学统计与运筹学中心）
本文提出了一种适用于具有分类协变量的治愈模型中检验足够随访期的新方法，通过改进检验程序以提高统计功效。
2026-01-10 stat.ME
Multilevel network meta-regression for multistate models: Population-adjusted joint synthesis of progression and survival from individual and aggregate data
University of California, San Francisco（旧金山加利福尼亚大学）；UCSF Helen Diller Family Comprehensive Cancer Center（UCSF海伦·迪勒家族综合癌症中心）；The Philip R. Lee Institute for Health Policy Studies（菲利普·李健康政策研究所）；Precision AQ
本文介绍多状态模型的多级网络荟萃回归（ML-NMR-MS），将ML-NMR整合的IPD加AgD似然嵌入疾病-死亡多状态模型，解决协变量不平衡问题，产生人群调整的联合PFS/OS治疗效果，可直接参数化状态转换经济模型。
2026-11-03 stat.ME
KAPLAN: Kolmogorov-Arnold Prognostic Learnable Activation Networks for Survival Analysis
University of Cambridge（剑桥大学）
提出KAPLAN-HR模型，利用B样条Kolmogorov-Arnold网络非参数估计条件风险函数，通过深层架构自动捕捉交互和时变效应，并证明其收敛速率仅依赖于表示平滑性，从而缓解维度灾难，在六个临床数据集上达到或超越现有方法。
2026-05-25 cs.AI cs.LG stat.ML
Two-step interpretable modeling of Intensive Care Acquired Infections
本研究提出一种结合高分辨率纵向数据与生存模型的两步可解释建模方法，通过半参数竞争风险模型融合低分辨率常规数据与卷积神经网络提取的高维特征，并用显著性图解释预测能力，应用于ICU获得性感染预测。
2024-03-06 cs.NE stat.AP stat.ML
Extending Cox Proportional Hazards Model with Symbolic Non-Linear Log-Risk Functions for Survival Analysis
提出GCPH模型，利用KAN实现符号化非线性对数风险函数，扩展Cox模型，兼顾可解释性与预测性能，在合成数据和公开基准上验证了其竞争力。
2025-04-25 cs.LG stat.ML
SurvLIME: A method for explaining machine learning survival models
Peter the Great St.Petersburg Polytechnic University (SPbPU)（圣彼得堡彼得大帝理工大学）
提出了一种新的解释机器学习生存模型的方法SurvLIME。它可以被看作是著名的LIME方法的扩展或修改。所提出的方法背后的主要思想是应用Cox比例风险模型来近似生存模型在局部区域周围的测试示例。使用Cox模型是因为它考虑了示例协变量的线性组合，使得协变量的系数可以被视为对预测的定量影响。另一个想法是通过使用感兴趣点周围局部区域中的一组扰动点来近似解释模型和Cox模型的累积风险函数。该方法归结为求解一个无约束凸优化问题。大量的数值实验证明了SurvLIME算法的有效性。
2020-03-18 cs.LG stat.ML
Proximal Survival Analysis to Handle Dependent Right Censoring
针对流行病和临床研究中因协变量无法完全捕捉预后关联而导致的相依右删失问题，提出将协变量视为潜在预后不完美代理的非参数识别框架及自适应估计量，具有一致、渐近正态和双重稳健性。
2024-01-09 math.ST stat.ME stat.TH
Deep Survival Machines: Fully Parametric Survival Regression and Representation Learning for Censored Data with Competing Risks
Carnegie Mellon University（卡内基梅隆大学）
我们描述了一种新的方法来估计相对风险的时间到事件的预测问题与删失数据在一个完全参数的方式。我们的方法不需要作出强有力的假设，恒定的比例风险的基本生存分布，所需的考克斯比例风险模型。通过联合学习输入协变量的深度非线性表示，我们通过在具有不同删失水平的多个真实世界数据集上进行广泛实验，证明了我们的方法在用于估计生存风险时的优势。我们进一步展示了我们的模型在竞争风险场景中的优势。据我们所知，这是第一个工作涉及完全参数估计的生存时间与竞争风险的存在删失。
2021-06-09 cs.LG stat.AP stat.ML
Penalized regression calibration: a method for the prediction of survival outcomes using complex longitudinal and high-dimensional data
纵向和高维测量在生物医学研究中变得越来越普遍。然而，目前缺少使用纵向和高维协变量预测生存结局的方法。在这篇文章中，我们提出了惩罚回归校准（PRC），一种方法，可以用来预测生存在这种情况下。PRC包括三个建模步骤：首先，通过多变量混合效应模型的规范，纵向预测所描述的轨迹进行灵活的建模。其次，从拟合的混合模型中推导出纵向轨迹的特定于对象的摘要。第三，在惩罚Cox模型中，使用受试者特异性总结作为协变量预测至事件结局的时间。为了确保适当的内部验证的拟合PRC模型，我们还开发了一个集群引导乐观校正程序，允许纠正乐观偏见的明显措施的预测性。PRC和CBOCP是在CRAN提供的R包中实现的。通过模拟研究PRC的行为后，我们得出结论，说明PRC的应用程序的数据从一项观察性研究，涉及患者受杜氏肌营养不良症，其中的目标是预测时间的损失amphetamine使用纵向血液生物标志物。
2021-09-29 stat.AP stat.CO stat.ME
Horseshoe Forests for High-Dimensional Causal Survival Analysis
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Amsterdam University Medical Centre（阿姆斯特丹大学医学中心）
本文提出一种贝叶斯树集成模型，用于估计高维协变量中受 censoring 的生存数据的异质治疗效应，通过在步高上放置马蹄先验实现自适应全局-局部收缩，提升模型灵活性和去噪能力。
2026-05-07 stat.ME stat.ML
Iterated Feature Screening based on Distance Correlation for Ultrahigh-Dimensional Censored Data with Covariates Measurement Error
在超高维数据分析中，特征筛选是一种重要的降维方法。已经开发了许多用于特征筛选的方法。然而，这些方法受到与数据收集有关的复杂特征以及数据本身性质的挑战。通常，右删失和协变量测量误差导致的不完全反应常常伴随着生存分析。尽管有许多方法已经提出了删失数据，很少的工作已经同时发生的不完全响应和测量误差。此外，传统的特征筛选方法可能无法检测到真正重要的协变量，这是边际独立的响应变量，由于协变量之间的相关性。在本文中，我们探讨这一重要问题，并提出了有效的特征筛选方法存在的生存数据与测量误差。此外，我们还发展了迭代方法，以提高选择所有重要协变量的准确性。数值研究报告，以评估所提出的方法的性能。最后，我们实现了所提出的方法，两个不同的真实数据集。
2019-01-06 stat.ME
TraCeR: Transformer-Based Competing Risk Analysis with Longitudinal Covariates
TraCeR是一种基于变压器的生存分析框架，通过因子化自注意力架构有效整合纵向协变量，提升生存分析的准确性和校准性。
2025-12-27 cs.LG stat.ML
Cox Model Predicting Covariate Subject to Right Censoring
AstraZeneca（阿斯利康）；Duke University（杜克大学）；Sungshin Women’s University（成信女子大学）
本文提出基于半参数Cox模型的方法，通过修改部分似然函数以处理受右删失影响的协变量，提升估计效率和数据利用率。
2026-04-11 stat.ME
Bounds for the regression parameters in dependently censored survival models
针对相依删失生存数据，本文提出半参数部分识别方法以获得可随时间变化的协变量效应界，并通过模拟与经济、医学数据验证其性能。
2025-03-18 stat.ME
Capturing heterogeneous time-variation in covariate effects in non-proportional hazard regression models
本文提出一种基于分段指数加性混合模型与函数随机效应的新方法，用于捕捉协变量效应的异质性时变，并通过模拟和脑肿瘤案例验证其优越性。
2025-01-23 math.ST stat.ME stat.TH
DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network
医生使用生存模型来探索和理解患者的协变量（例如临床和遗传特征）与各种治疗方案的有效性之间的关系。标准生存模型（如线性考克斯比例风险模型）需要广泛的特征工程或先前的医学知识，以在个体水平上对治疗相互作用进行建模。虽然非线性生存方法，如神经网络和生存森林，可以固有地模拟这些高层次的相互作用的条款，他们还没有被证明是有效的治疗推荐系统。我们引入DeepSurv，这是一种Cox比例风险深度神经网络和最先进的生存方法，用于对患者协变量与治疗有效性之间的相互作用进行建模，以提供个性化的治疗建议。我们在模拟和真实的生存数据上进行了一些训练DeepSurv的实验。我们证明了DeepSurv的表现与其他最先进的生存模型一样好或更好，并验证了DeepSurv成功地模拟了患者协变量与其失败风险之间日益复杂的关系。然后，我们将展示DeepSurv如何对患者的特征与不同治疗方案的有效性之间的关系进行建模，以展示DeepSurv如何用于提供个性化治疗建议。最后，我们在真实的临床研究中对DeepSurv进行了训练，以证明它的个性化治疗建议如何增加一组患者的生存时间。DeepSurv的预测和建模能力将使医学研究人员能够使用深度神经网络作为探索、理解和预测患者特征对其失败风险影响的工具。
2017-08-09 cs.NE stat.ML
Dynamic path analysis - A useful tool to investigate mediation processes in clinical survival trials
当涉及到临床生存试验时，监管限制通常要求应用仅利用基线协变量和意向治疗原则的方法。因此，许多潜在有用的信息丢失，因为事件发生时间数据的收集通常与生物标志物和其他内部时间依赖性协变量的信息收集齐头并进。然而，有一些工具可以以一种有用的方式将重复测量的信息结合起来，这有助于更多地了解潜在的治疗机制。我们考虑动态路径分析，一个中介分析的模型，在事件发生时间和时间依赖性协变量的存在下，调查直接和间接的影响，在一项研究中，不同的降脂治疗对既往心肌梗死患者。此外，我们解决的问题是否生存本身可能产生的治疗和调解人之间的关联，在动态路径分析，并给出一个论点，由于线性的假设的附加风险模型，这是不是这样的。我们进一步阐述了我们的观点，即在研究调解时，我们实际上是在处理基本过程，而不是在研究期间只测量一次的单一变量。这在应用于降脂治疗研究的各种模型以及我们额外进行的模拟研究的结果中变得显而易见，我们清楚地观察到，丢弃重复测量的信息可能导致潜在的错误结论。
2015-04-24 stat.ME
Conditional survival given covariates and marginal survival
假设某种回归模型，研究给定协变量的生存期的条件分布是常见的。在这里，我们考虑进一步条件反射的影响，特别是条件反射的边际生存函数，已知或估计。我们调查了任何这样的信息可以用于协变量时间的比例或非比例风险回归分析的目的。当假设的比例风险模型的形式有效时，它不会导致效率的任何提高。然而，当比例风险模型是无效的，通常的偏似然估计是不一致的，并严重依赖于未知的删失机制。在这种情况下，我们表明，我们提出的条件估计是一致的参数，具有很强的解释独立于删失。仿真和例子。
2016-10-08 stat.AP
