A unified framework for fitting Bayesian semiparametric models to arbitrarily censored survival data, including spatially-referenced data
一个全面的，统一的方法来建模任意删失的空间生存数据的三个最常用的半参数模型：比例风险，比例优势，加速失效时间。与许多其他方法不同，所有方式的删失生存时间同时容纳，包括未删失，区间删失，当前状态，左和右删失，以及这些的混合。左截断的数据也容纳导致模型的时间依赖性协变量。地理参考（位置精确观察）和区域观察（位置已知的地理单位，如县）的空间位置进行处理;正式的变量选择使得模型选择特别容易。用条件Cox-Snell残差图评估模型拟合，并通过LPML和DIC进行模型选择。基线生存率采用新的变换Bernstein多项式先验建模。所有模型都通过一个新的函数来拟合，该函数调用R包spBayesSurv中的高效编译C++。该方法广泛说明了模拟和实际数据的应用。一个重要的发现是，比例几率和加速失效时间模型往往比常用的比例风险模型拟合得更好。补充材料可在网上查阅。
2017-07-03 stat.AP stat.ME
The Brier Score under Administrative Censoring: Problems and Solutions
University of Oslo（奥斯陆大学）
Brier评分通常用于评估概率预测。在生存分析中，使用事件时间的右删失观察值，该评分可以通过逆删失概率（IPCW）进行加权，以保留其原始解释。通常的做法是使用卡普兰-迈耶估计量估计删失分布，即使它假设删失分布与协变量无关。本文讨论了布里尔分数的截尾估计的一般影响，并表明截尾分布的估计可能是有问题的。特别是，当可以从协变量中确定删失时间时，IPCW评分不再有效。对于行政审查的数据，潜在的审查时间是已知的所有个人，我们提出了一个替代版本的Brier评分。该管理Brier评分不需要估计删失分布，即使可以从协变量中确定删失时间，也是有效的。
2019-12-18 cs.LG stat.AP stat.ML
Stable variable selection for right censored data: comparison of methods
模型选择的不稳定性是包含大量协变量的数据集的主要问题。本文讨论了高维问题中响应变量可以右删失时的变量选择方法。我们专注于新的稳定的变量选择方法的基础上，自助法的两种方法：Cox比例风险模型和生存树。就Cox模型而言，我们研究了两种变量选择技术的自举：基于AIC准则的逐步算法和L1惩罚的Lasso。关于生存树，我们回顾了两种方法：自助节点级稳定和随机生存森林。我们将这些不同的方法应用于两个真实的数据集。我们比较了基于Harrell一致性指数的预测误差率的方法和相应的选择模型的解释的相关性。其目的是找到一个良好的预测性能和易于解释的临床医生之间的妥协。结果表明，在少量个体的情况下，自举适应Cox模型中的L1-惩罚或自举生存树中的节点级稳定性提供了随机生存森林方法的一个很好的替代方案，已知其预测误差率最小，但难以通过非统计学家验证。从临床的角度来看，基于Cox模型的方法和基于生存树的方法之间的互补性将允许建立易于临床医生验证的可靠模型。
2012-03-22 stat.AP
Modeling county level breast cancer survival data using a covariate-adjusted frailty proportional hazards model
了解解释存活时间差异的因素是制定改善国家卫生系统政策的一个重要问题。乳腺癌的监测流行病学和最终结果计划所产生的数据的动机，我们提出了一个协变量调整的比例风险脆弱性模型的分析集群的右删失数据。而不是将可交换的弱点在常用的生存模型的线性预测，我们允许脆弱性分布灵活地改变连续和分类聚类水平的协变量和模型使用依赖贝叶斯非参数模型。由此产生的过程是灵活的，易于使用现有的R包。该模型在我们的激励性例子中的应用表明，与直觉相反，在20世纪90年代的一段时间内，在更多的农村和不太富裕的爱荷华州县被诊断出乳腺癌的人生存得更好。其他分析显示，较早时间窗的趋势相反。我们推测，这种异常是由于越来越多的激素替代疗法治疗规定更多的城市和富裕的亚群。
2015-05-12 stat.AP
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
Unraveling heterogeneity of ADNI's time-to-event data using conditional entropy Part-I: Cross-sectional study
通过阿尔茨海默病神经影像学倡议（ADNI），时间到事件的数据：从轻度认知障碍（MCI）的痴呆前状态到阿尔茨海默病（AD）的诊断，收集和分析，明确解开346个未删失和557个右删失的受试者之间的协变量特征之间的结构依赖性的预后异质性。无信息的审查机制进行测试和确认的基础上的条件与边际熵评估的列联表建立的Redistribute-to-the-right算法。分类探索性数据分析（CEDA）范例被应用于评估分类响应变量与全部具有4个类别的16个分类协变量之间的基于条件熵的关联模式。选择两个1阶全局主因子：V9（MEM-均值）和V8（ADAS13.bl），它们与响应变量共享最高量的互信息。通过Cox比例风险（PH）模型分析该严重删失数据集。在协变量特征的结构依赖性下，PH和CEDA结果在全球范围内的比较是复杂的。为了减轻这种复杂性，V9和V8被视为异质性的两个潜在视角，并且整个主题集合被分成两组四个子集合。CEDA主因子选择协议应用于所有子集合，以确定哪些特征提供额外信息。图形显示开发明确解开条件熵扩展后的ADNI数据的异质性的角度。在局部尺度上，进行了PH分析，并与CEDA的结果进行了比较。我们的结论是，面对协变量之间的结构依赖性和异质性的数据，CEDA和它的主要因素选择提供了显着的优点，体现数据的多尺度信息含量。
2022-11-28 stat.AP
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
Likelihood-based Modeling of Covariate-Specific Time-Dependent ROC Curves
针对纵向研究中难以调整协变量的时间依赖性ROC分析问题，提出非参正态预后生物标志物（NPB）框架，通过建模生物标志物与事件时间的联合分布估计协变量特定的ROC曲线，并在ALS中验证了其提升风险分层和临床试验设计的潜力。
2025-08-11 stat.AP 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
Statistical Inference for Heterogeneous Treatment Effect with Right-censored Data from Synthesizing Randomized Clinical Trials and Real-world Data
本研究针对右删失生存数据，通过定义综合偏倚函数并结合惩罚筛法，整合随机临床试验与有偏真实世界数据估计异质性治疗效应，理论与实验均验证了其更优的统计效率。
2025-09-02 stat.AP stat.ME
Sensitivity analyses for average treatment effects when outcome is censored by death in instrumental variable models
在对非死亡结局（如支气管肺发育不良（BPD））进行因果推断时出现的两个问题是未测量的混杂和死亡删失，即，只有当受试者存活时才能观察到结果。在不依从的随机化实验中，工具变量方法可用于控制未测量的混杂因素，而无需通过死亡进行删失。但是，当按死亡删失时，在通常假设下无法确定平均因果处理效应，但可以通过使用附加假设的敏感性分析研究特定亚群。然而，在观察性研究中，未充分研究通过未测量混杂因素的死亡问题删失的局部平均处理效应（LATE）评价。本文提出了一种基于工具变量模型的敏感性分析方法。具体来说，我们提出了一个额外的假设下的识别结果，并提出了一个三步的LATE估计过程。此外，我们提出了一种改进的两步程序，通过同时估计仪器倾向得分（即，给定协变量的仪器概率）和由假设引起的参数。我们已经通过模拟研究表明，两步程序可以比三步程序更鲁棒和有效。最后，我们将我们的敏感性分析方法应用于研究在高水平新生儿重症监护病房分娩对BPD风险的影响。
2018-02-19 stat.AP stat.ME
A Censored Transformed Model for Proportional Outcomes with Boundary Mass and an Application to Loss Given Default Modeling
ETH Zurich（苏黎世联邦理工学院）
提出零一删失变换正态模型处理边界有质量的比例响应，结合删失高斯变量与仿射logit变换，理论证明其能捕获更广密度形状，在抵押贷款违约损失率数据上表现最优。
2026-06-23 q-fin.RM q-fin.ST stat.AP
Non-Crossing Deep Quantile Regression for Distributional Survival Prediction
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；The Hong Kong Polytechnic University（香港理工大学）
该研究针对生存分析中现有分位数回归方法的交叉问题，提出CNQ框架，结合Kolmogorov-Arnold与Transformer骨干，在模拟和临床数据上表现更优，可恢复生存分布上变化的协变量效应。
2026-08-18 cs.LG stat.AP stat.ML
Robust Survival Estimation under Interval Censoring: Expectation-Maximization and Bayesian Accelerated Failure Time Assessment via Simulation and Application
针对区间删失生存数据标准方法不适用的问题，本研究对比EM算法、参数AFT模型、贝叶斯AFT模型三类方法，通过模拟与卵巢癌数据集验证其分层应用价值，为区间删失下的生存估计提供完整策略。
2025-09-01 math.ST stat.AP stat.CO
Inverse probability of censoring weighting for visual predictive checks of time-to-event models with time-varying covariates
在构建模型以总结用于模拟的临床数据时，评价模型再现数据的能力是一种良好的做法。这可以通过直观预测检验（VPC）完成，包括（1）通过评估模型的模拟对原始研究进行多次重现，（2）计算每个模拟研究的目标估计值，以及（3）将这些估计值的分布与原始研究的估计值进行比较。这个过程是一个通用的方法，一般来说，应用起来很简单。在这里，我们考虑的方法的应用程序的时间到事件的数据，并考虑特殊情况下，当一个随时间变化的协变量是未知的，或不能近似事件发生后的时间。在这种情况下，在原始研究的随访时间（事件或删失时间）结束后无法进行模拟。因此，必须在随访结束时对模拟进行删失。由于该删失不是随机的，因此模拟研究的标准KM估计值和所得VPC将存在偏倚。我们建议使用截尾加权的逆概率（IPCs）方法来校正KM估计的模拟研究，并获得无偏的VPC。为了分析Cantos研究，本文所述的Ikash加权被证明是有价值的，并使VPC的生成能够使PKPD模型有资格进行模拟。在这里，我们使用一个生成的数据集，它允许说明不同的情况和评估对已知的真相。
2021-05-05 stat.AP stat.ME
AIM: Amortized Inference for Multistate Transition Models
Rainbow Babies & Children’s Hospital（彩虹婴儿与儿童医院）；Case Western Reserve University（凯斯西储大学）；The Ohio State University（俄亥俄州立大学）
研究针对区间删失连续时间多状态转换模型，提出摊销贝叶斯推理框架AIM。通过离线训练学习汇总统计量与模型参数关系，无需重复似然性优化。证明相关特性，模拟研究显示其能准确估计和量化不确定性，推理速度大幅提升，是可扩展且有理论基础的推理框架。
2026-07-28 stat.AP stat.ME
Ensemble Prediction of Time to Event Outcomes with Competing Risks: A Case Study of Surgical Complications in Crohn's Disease
我们开发了一种新的算法来预测克罗恩病诊断后5年内腹部大手术的发生，使用瑞典人口登记的29个基线协变量。我们基于Aalen-Johansen估计量的原因特定的累积发病率与现代机器学习方法的合奏伪观测模型。伪观测预处理可以轻松地将所有现有或新的机器学习过程扩展到右删失事件历史数据。我们提出了基于伪观测的估计的面积下的时变ROC曲线，优化合奏，和预测曲线，评估和总结预测性能。
2019-02-07 stat.AP stat.ML
