Survival Models: Proper Scoring Rule and Stochastic Optimization with Competing Risks
Inria Saclay（法国国家信息与自动化研究所萨克雷中心）
本文针对竞争风险场景提出严格适当的删失调整可分离评分规则，实现随机优化并用于梯度提升树模型 SurvivalBoost，在多个真实数据集上优于12个最先进模型，且校准性好、预测灵活、计算更快。
2024-10-22 cs.AI cs.LG stat.ML
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
Semi-Competing Risks on A Trivariate Weibull Survival Model
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。
2008-09-30 stat.AP
Neural Fine-Gray: Monotonic neural networks for competing risks
The Alan Turing Institute（艾伦·图灵研究所）；MRC Biostatistics Unit, University of Cambridge（剑桥大学MRC生物统计学组）；Big Data Institute, University of Oxford（牛津大学大数据研究所）
本文提出使用受约束的单调神经网络对竞争风险下的生存分布建模，实现精确似然最大化并降低计算成本，在合成和医学数据集上验证了有效性。
2023-05-11 cs.AI cs.LG stat.ML
comprisk: A scikit-learn-compatible Python toolkit for competing-risks survival analysis
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Northumbria University（诺森比亚大学）；University of Calgary（卡尔加里大学）
针对医疗事件时间数据竞争风险问题，Comprisk工具包整合多种竞争风险方法并提供一致API，增加模型评估，各估计器经数值验证，森林模型速度快且可扩展，能让研究人员在Python科学栈内进行竞争风险分析。
2026-08-24 stat.CO stat.ML
A review on competing risks methods for survival analysis
在对竞争风险生存数据进行建模时，统计学和机器学习文献中都提出了几种技术。最先进的方法扩展了经典方法，具有更灵活的假设，可以提高预测性能，允许高维数据和缺失值等。尽管如此，现代方法尚未在应用环境中广泛采用。本文旨在通过提供一个简明的竞争风险生存方法的纲要，以统一的符号和跨方法的解释来帮助这些方法的吸收。我们强调可用的软件，并在可能的情况下，通过可复制的R小插曲来演示它们的使用。此外，我们讨论了两个主要的问题，可以影响基准研究在这种情况下：性能指标和再现性的选择。
2022-12-10 stat.ME
On the calibration of survival models with competing risks
Inria de Saclay（法国国家信息与自动化研究所萨克雷中心）；Drees（法国研究、调查、评估与统计局）
本文提出了一种针对竞争风险设置的生存模型校准框架，引入了两个新的校准度量以提高概率估计的准确性，同时保持模型的判别能力。
2026-01-30 cs.AI math.ST 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
A Bayesian Precision Response-adaptive Phase II Clinical Trial Design for Radiotherapies with Competing Risk Survival Outcomes
近几十年来，许多II期临床试验将生存结局作为主要终点。假设在II期试验中使用生存结局评估放射治疗。在这种情况下，通常会出现竞争风险问题，因为疾病进展的时间可以通过正常组织并发症的时间进行删失，反之亦然。此外，许多文献研究表明，接受相同放射治疗剂量的患者可能会产生不同的反应，由于其不同的辐射敏感性状态。因此，“一剂通用”的策略往往会失败，用辐射敏感性状态定义的亚组来评价亚组特异性处理效应更有意义。在本文中，我们提出了一个贝叶斯精密度II期试验设计，评价亚组特异性放疗的处理效应。我们使用特定原因的危害方法来模拟竞争风险生存结果。我们建议根据每个患者的辐射敏感性状态限制候选辐射剂量。仅考虑临床可行的个性化剂量，这将增强试验中患者的获益。此外，我们提出了一个分层贝叶斯自适应随机化方案，使更多的患者将被随机分配到报告更有利的生存结局的剂量。数值研究表明，所提出的设计表现良好，优于传统的设计，忽略了竞争的风险问题。
2022-03-14 stat.AP
A General Framework for Survival Analysis and Multi-State Modelling
Dana–Farber Cancer Institute（达纳-法伯癌症研究所）；Harvard Medical School（哈佛医学院）；University of Oxford（牛津大学）；Improbable（Improbable公司）
生存模型是一种流行的工具，用于分析事件发生时间数据，并应用于医学，工程，经济学等领域。像Cox比例风险模型这样的进步使研究人员能够更好地描述单一致命事件发生的风险率，但无法准确地模拟竞争事件和转换。常见的现象通常通过多个状态更好地描述，例如：疾病的进展被建模为健康，生病和死亡，而不是健康和死亡，其中必须考虑死亡和疾病的竞争性质。此外，Cox模型受到建模假设的限制，如风险率和线性效应的比例。个体特征在观察单位（如患者）之间可能存在显著差异，导致特异质风险率和不同的疾病轨迹。这些考虑需要灵活的建模假设。为了克服这些问题，我们提出了使用神经常微分方程作为一个灵活的和一般的方法来估计多状态生存模型，直接求解Kolmogorov前向方程。为了量化由此产生的个体原因特异性风险率的不确定性，我们进一步引入了变分潜变量模型，并表明这使得有意义的聚类相对于多状态的结果以及关于协变量值的可解释性。我们表明，我们的模型在流行的生存数据集上表现出最先进的性能，并在多状态环境中证明了其功效
2021-02-15 cs.LG stat.ML
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
BoXHED2.0: Scalable boosting of dynamic survival analysis
Texas A&M University（德克萨斯农工大学）；Yale University（耶鲁大学）；Emory University（埃默里大学）
BoXHED2.0是一种高效的非参数化树提升方法，用于处理动态生存分析中的时间依赖性协变量和复杂生存设置。
2023-09-06 cs.LG stat.ML
Model Identifiability for Bivariate Failure Time Data with Competing Risk: Non-parametric Cause-specific Hazards and Gamma Frailty
本研究探讨了带有竞争风险的二元生存数据在非参数基线特定原因风险和不同Gamma脆弱性分布下的模型可识别性，证明了双非参数模型的不可识别性，并验证了四种Gamma脆弱性模型在一般假设下的可识别性。
2024-06-28 math.ST stat.TH
Reflection on modern methods: competing risks versus multi-state models
生存竞争风险模型对于研究与其他可能的疾病或健康状况竞争的疾病的发病率非常有用。这些模型在处理终端事件（如死亡）时表现良好，这意味着相应研究的结论。但它们不允许处理可能顺序发生的非终端竞争事件的场景。多状态模型是复杂的生存模型。它们专注于由众多感兴趣的事件的时间和顺序发生定义的途径，因此它们适合于连接竞争性非终端事件以及管理具有更高复杂性的其他生存场景。我们讨论的多状态模型的框架内的竞争风险，并澄清这两个模型的有用性分析流行病学数据。我们通过贝叶斯推理方法对复发性髋部骨折的真实研究，突出了多状态模型的作用。
2021-04-08 stat.AP
On the unification of zero-adjusted cure survival models
本文提出统一生存模型，同时处理零调整与治愈比例，适用于生存时间可能为零或存在治愈的数据，如撒哈拉以南非洲生育时长；考虑多种竞争原因分布，模拟显示大样本下准确性提升，几何分布拟合真实产科数据最佳。
2025-01-21 math.ST stat.AP stat.TH
Causal survival analysis under competing risks using longitudinal modified treatment policies
本文将纵向修正治疗策略扩展到竞争风险下的生存分析场景，提出非参数局部有效估计量，并应用于 COVID-19 患者插管时间对急性肾损伤的影响估计。
2025-02-05 stat.ME
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
Simulating time-to-event data from parametric distributions, custom distributions, competing risk models and general multi-state models
在本文中，我描述了survsim命令模拟生存数据的一些实质性扩展。survsim现在可以模拟来自参数分布、自定义/用户定义分布、拟合梅林模型、指定原因特定危害竞争风险模型或指定通用多状态模型（具有多个时间尺度）的生存数据。左截断（延迟输入）现在也可用于所有设置。我用一些例子来说明这个命令，展示了可以用来更好地评估统计方法的巨大灵活性。
2021-10-20 stat.CO stat.ME
Variational Learning of Individual Survival Distributions
Duke University（杜克大学）
丰富的现代健康数据为使用机器学习技术构建更好的统计模型以改善临床决策提供了许多机会。预测事件发生时间分布，也称为生存分析，在许多临床应用中起着关键作用。我们引入了一个变分时间到事件预测模型，称为变分生存推理（VSI），它建立在分布学习技术和深度神经网络的最新进展。VSI通过（$i$）放松经典模型中的限制性建模假设，以及（$ii$）有效处理删失观测，{\it，即}，解决了非参数分布估计的挑战。发生在观测窗口之外的事件，都在变分框架内。为了验证我们的方法的有效性，在合成和真实世界的数据集上进行了广泛的实验，显示出相对于竞争解决方案的性能提高。
2020-12-13 cs.LG stat.AP stat.ML
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Venous Thromboembolism (VTE) prediction
Massachusetts Institute of Technology（麻省理工学院）；Dana-Farber Cancer Institute（达纳-法伯癌症研究所）
从电子健康记录（EHR）数据中有效学习以预测临床结果通常具有挑战性，因为在不规则的时间步和失访以及死亡或疾病进展等竞争事件中记录的特征。为此，我们提出了一个生成的时间到事件模型，SurvLatent ODE，它采用基于常微分方程的递归神经网络（ODE-RNN）作为编码器，有效地参数化动态的不规则采样输入数据下的潜在状态。然后，我们的模型利用由此产生的潜在嵌入来灵活地估计多个竞争事件的生存时间，而无需指定特定于事件的风险函数的形状。我们证明了我们的模型在MIMIC-III上的竞争性能，MIMIC-III是从重症监护病房收集的免费纵向数据集，预测医院死亡率以及Dana-Farber癌症研究所（DFCI）预测静脉血栓栓塞（VTE）发生的数据，静脉血栓栓塞是癌症患者的一种危及生命的并发症，死亡是竞争事件。SurvLatent ODE在对VTE风险组进行分层方面优于当前临床标准Khorana风险评分，同时提供了具有临床意义和可解释的潜在表征。
2022-08-10 cs.LG stat.ML
A general kernel boosting framework integrating pathways for predictive modeling based on genomic data
Yale University（耶鲁大学）；Yale School of Medicine（耶鲁医学院）
基于基因组数据的预测建模在生物医学研究和临床实践中越来越受欢迎，因为它允许研究人员和临床医生更有效地识别生物标志物并定制治疗决策。结合途径信息的分析可以提高发现能力，并更好地将新发现与生物机制联系起来。在这篇文章中，我们提出了一个通用的框架，基于通路的内核提升（PKB），它结合了临床信息和先验知识的预测二进制，连续和生存结果的途径。我们引入适当的损失函数和优化程序，为不同的结果类型。我们的预测算法通过从路径构建核函数空间来整合路径知识，并将其用作提升过程中的基础学习者。通过对药物反应和癌症生存数据集的广泛模拟和案例研究，我们证明PKB可以大大优于其他竞争方法，更好地识别与药物反应和患者生存相关的生物学途径，并为癌症发病机制和治疗反应提供新的见解。
2021-01-31 cs.LG stat.ML
Case-Base Neural Networks: survival analysis with time-varying, higher-order interactions
McGill University（麦吉尔大学）；University of Manitoba（曼尼托巴大学）
提出Case-Base神经网络（CBNNs），结合Case-Base采样与深度学习，通过设计估计时变效应和复杂基线风险，为单事件生存分析提供简单灵活的数据驱动建模框架。
2024-01-09 cs.LG stat.ML
A General Machine Learning Framework for Survival Analysis
LMU Munich（慕尼黑大学）
事件发生时间数据的建模，也称为生存分析，需要专门的方法，可以处理删失和截断，随时间变化的特征和影响，并扩展到多个竞争事件的设置。然而，许多用于生存分析的机器学习方法仅考虑右删失数据和比例风险假设的标准设置。提供扩展的方法通常最多解决这些挑战的一个子集，并且通常需要无法直接集成到标准机器学习工作流程中的专用软件。在这项工作中，我们提出了一个非常通用的机器学习框架的时间到事件的分析，使用数据增强策略，以减少复杂的生存任务，标准的泊松回归任务。这种重新表述是基于发达的统计理论。使用所提出的方法，可以优化泊松（对数）似然的任何算法，例如梯度提升树、深度神经网络、基于模型的提升等等，都可以在时间到事件分析的上下文中使用。所提出的技术不需要任何假设的事件时间的分布或功能形状的功能和相互作用的影响。基于所提出的框架，我们开发了新的方法，具有竞争力的专业国家的最先进的方法在准确性和多功能性方面，但相对较小的投资的编程工作或专业的方法学知识的要求。
2021-04-17 cs.LG stat.CO stat.ML
Bayesian survival analysis with BUGS
生存分析是医学和生物科学中最重要的统计学领域之一。此外，在过去的几十年中，计算的进步有利于在这种情况下使用贝叶斯方法，提供了一个灵活和强大的替代传统的频率论的方法。本文的目的是总结一些最流行的贝叶斯生存模型，如加速失效时间，比例风险，混合治愈，竞争风险，脆弱性，纵向和生存数据的联合模型。此外，使用BUGS语法提供了每个模型的实现，该语法可以与R编程语言的JAGS一起运行。参考其他贝叶斯R-包进行了讨论。
2020-07-27 stat.AP
Practical survival analysis tools for heterogeneous cohorts and informative censoring
在异质性队列和那些通过非主要风险删失提供信息的队列中，许多传统的生存分析方法不适用;比例风险假设通常在人群水平上被违反，观察到的粗风险率不再是在没有其他风险的情况下的估计值。在本文中，我们开发了一个完全贝叶斯生存分析，以确定概率最优描述的异质性队列，我们提出了一种新的手段，恢复风险率和生存功能“净化”的任何竞争风险的影响。大多数竞争风险研究隐含地假设风险相关性是由未被协变量捕获的队列或疾病异质性引起的。我们还假设，比例风险在个人的水平上，所有的风险，导致一个通用的统计描述，使我们能够净化的信息审查的影响，并从考克斯回归，脆弱性和随机效应模型，和潜在的类模型都可以恢复为特殊情况。合成数据证实，我们的方法可以映射一个队列的子结构，并消除异质性引起的假保护和假病因学的影响。应用ULSAM队列的生存数据，为以前对前列腺癌的反直觉推断提供了合理的替代解释。在AMORIS研究的生存数据中，提出了将心血管疾病作为诊断为乳腺癌的女性的合并症进行管理的重要性。
2015-11-21 stat.AP
Bivariate copula regression models for semi-competing risks
针对半竞争风险事件间的相关性，提出基于 Normal、Clayton、Frank 和 Gumbel copula 的生存模型，估计协变量对非终点与终点事件风险比及事件关联的影响，并在肾移植数据中验证其优于 Cox 模型。
2023-04-06 stat.ME
J- and MJ-Type Tests for Non-Nested Parametric Survival Models with a Cure Fraction: A Score Test Approach
Institute of Mathematics and Statistics, Federal University of Goiás（戈亚斯联邦大学数学与统计学院）；Department of Statistics, Federal University of Paraíba（帕拉伊巴联邦大学统计学系）；Department of Statistics, Federal University of Pernambuco（伯南布哥联邦大学统计学系）
针对含治愈比例的非嵌套参数生存模型，提出基于得分检验的模型设定检验，仅需受限最大似然估计，统计量简化为对数似然差样本均值的二次型，并扩展至多个竞争模型。
2026-07-03 stat.ME
Implementation of an alternative method for assessing competing risks: restricted mean time lost
在临床和流行病学研究中，风险比通常用于比较两组之间的生存数据的处理效应。对于竞争风险数据，相应的关注量是原因特异性风险比（cHR）和子分布风险比（sHR）。然而，它们都有一些与模型假设和临床解释相关的局限性。因此，我们建议将限制平均时间损失（RMTL）作为一种替代方法，在竞争风险框架中易于解释。基于限制平均时间损失（RMTLd）的不同，我们提出了一个新的估计，假设检验和样本量公式。仿真结果表明，RMTLd的估计是准确的，RMTLd测试具有强大的统计性能（第一类错误和功率）。三个实例分析的结果也验证了RMTLd测试的性能。从临床解释、应用条件和统计性能的角度考虑，我们建议在分析竞争风险数据时，将RMTLd与HR一起报告，甚至在比例风险假设失效时，将RMTLd作为主要结局。R代码（crRMTL）可从Github（https：//github.com/chenzgz/crRMTL.1）公开获取。关键词：生存分析，竞争风险，风险比，限制平均时间损失，样本量，假设检验
2021-12-19 stat.AP stat.ME
Bayesian survival analysis with INLA
本教程介绍利用INLA和INLAjoint R包，通过集成嵌套拉普拉斯近似快速准确地拟合多种贝叶斯生存模型，并展示新联合模型的实现。
2024-03-18 stat.ME
An Introduction to Deep Survival Analysis Models for Predicting Time-to-Event Outcomes
Heinz College of Information Systems and Public Policy, Carnegie Mellon University（卡内基梅隆大学信息系统与公共政策学院）
本专著系统介绍利用神经网络进行个体层面事件发生时间预测的生存分析方法，涵盖经典到深度模型、竞争风险与动态预测扩展，并提供配套代码实现。
2024-10-01 cs.LG stat.ML
Product-limit estimators of the survival function with twice censored data
一个竞争的模型（resp。互补的）风险的生存数据，其中故障时间可以离开（resp.右），建议删失。的生存函数的个别风险的乘积限估计。在不作任何附加假设的情况下，我们证明了估计量在整条实半直线上的强收敛性，并证明了在只涉及观测分布的条件下估计量的渐近正态性.当观测值根据Turnbull引入的双截尾模型生成时，乘积限估计量表示Turnbull估计量的上界和下界。
2006-07-03 math.ST stat.TH
CRISP-NAM: Competing Risks Interpretable Survival Prediction with Neural Additive Models
Vector Institute（向量研究所）
提出可解释的神经加性模型CRISP-NAM，用于竞争风险生存分析，通过独立特征网络建模原因特定风险，在多个数据集上取得竞争性性能。
2025-09-24 cs.LG
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。
2008-09-30 stat.AP
High-Dimensional Survival Analysis: Methods and Applications
本文综述了处理高维协变量下生存结果数据的各种前沿方法，重点介绍了机器学习在生存预测中的最新创新，并通过Boston Lung Cancer Survival Cohort研究展示了其应用。
2022-05-05 stat.ME
Power divergence approach for one-shot device testing under competing risks
大多数关于一次性器件的工作都假设器件故障只有一个可能的原因。然而，在实践中，通常情况下，所研究的产品可能会遇到各种可能的失效原因中的任何一种。稳健的估计和Wald型测试的情况下，一次性设备下的竞争风险。一个广泛的模拟研究说明了这些基于分歧的估计和测试程序的基础上，他们的鲁棒性。一个数据驱动的程序，提出了选择最佳估计的任何给定的数据集，然后应用到一个例子中的背景下，生存分析。
2020-04-28 stat.AP
The Multivariate Bernoulli detector: Change point estimation in discrete survival analysis
针对离散时间竞争风险下连续生存分析方法估计有偏的问题，提出带多元变点模型的多元伯努利检测器，用定制MCMC算法实现后验推断，经模拟和ICU数据验证性能优于现有方法。
2024-05-27 stat.ME
Non-parametric estimation of net survival under dependence between death causes
针对死亡原因未知且依赖的竞争风险生存模型，本文提出基于随机过程和鞅的广义非参数净生存估计器，放松独立性假设并推导其渐近性质、方差估计与检验，通过模拟和结直肠癌数据验证，为Pohar Perme估计器提供新视角。
2025-02-13 math.ST stat.TH
A Parametric Approach to Relaxing the Independence Assumption in Relative Survival Analysis
在已知死亡原因（CoD）的情况下，竞争风险生存方法适用于估计疾病特异性生存期。相对生存分析可用于估计疾病特异性生存率，当死亡原因未知或存在错误指定且实际使用不可靠时。这种方法在基于人群的癌症生存研究中很流行，使用注册数据，不需要CoD信息。标准估计值是癌症队列组中的全因生存率与一般参考人群的已知预期生存率之比。疾病特异性死亡与其他死亡原因竞争，可能在CoD之间产生依赖性。标准比估计仅在疾病死亡和其他原因死亡相互独立时才有效。为了放松独立性假设，我们使用基于Copula的模型来制定相关性。在没有CoD信息的情况下，采用基于似然的参数方法拟合疾病特异性死亡的分布，其中假设copula已知，其他死因的分布来自参考人群。我们提出了一个敏感性分析，其中的分析是在一系列假设的依赖结构。我们证明了我们的方法的效用，通过模拟研究和法国乳腺癌数据的应用。
2021-12-08 math.ST stat.ME stat.TH
Semi-Structured Deep Piecewise Exponential Models
LMU Munich（慕尼黑大学）
我们提出了一个多功能的生存分析框架，结合了统计学和深度学习的先进概念。所提出的框架是基于分段指数模型，从而支持各种生存任务，如竞争风险和多状态建模，并进一步允许估计随时间变化的影响和随时间变化的功能。为了在模型中包含多个数据源和高阶交互效应，我们将模型类嵌入到神经网络中，从而能够同时估计固有的可解释结构化回归输入以及深度神经网络组件，这些组件可能会处理其他非结构化数据源。通过使用该框架基于表格和3D点云数据预测阿尔茨海默病进展并将其应用于合成数据来提供概念证明。
2021-03-01 cs.AI cs.LG stat.ML
Massive Parallelization of Massive Sample-size Survival Analysis
本文利用GPU并行化大规模样本量生存分析的计算瓶颈，开发了基于循环坐标下降的Cox和Fine-Gray模型并行扫描算法，将计算速度提升数个数量级，支持百万级患者的高效分析。
2023-05-10 stat.CO
Multicategory Angle-based Learning for Estimating Optimal Dynamic Treatment Regimes with Censored Data
最佳动态治疗方案（DTR）由一系列决策规则组成，这些规则可以最大限度地提高长期效益，适用于慢性疾病，如艾滋病毒感染或癌症。在本文中，我们开发了一种新的角度为基础的方法来搜索最佳DTR下的多类别治疗框架的生存数据。所提出的方法的目标是最大化DTR后患者的条件生存函数。与大多数现有的方法，旨在最大限度地提高预期的生存时间下的二进制处理框架，所提出的方法解决了多个阶段的删失数据的多类别的治疗问题。具体而言，该方法通过在多个阶段将决策规则的估计集成到单个多类别分类算法中来获得最优DTR，而不施加额外的约束，这也是计算效率更高和鲁棒性更强的。在理论上，我们建立了所提出的方法在正则条件下的Fisher相合性。我们的数值研究表明，所提出的方法优于竞争的方法在最大化的条件生存函数。我们将所提出的方法应用到两个真实的数据集：心脏衰竭研究数据和获得性免疫缺陷综合征（艾滋病）的临床数据。
2020-01-14 stat.ME stat.ML
Stable Survival Extrapolation via Transfer Learning
Athens University of Economics and Business（雅典经济与商业大学）
本文通过迁移学习构建基线人口，提出基于灵活参数多项危险模型的生存外推方法，用于评估乳腺癌、黑色素瘤和心律失常的生存均值及相关指标。
2024-11-22 stat.AP stat.ME
Deep-CR MTLR: a Multi-Modal Approach for Cancer Survival Prediction with Competing Risks
University of Toronto（多伦多大学）；University Health Network（大学健康网络）；Princess Margaret Cancer Centre（玛格丽特公主癌症中心）
准确的生存预测对于精确癌症医学的发展至关重要，这就需要新的预后信息来源。最近，人们对利用常规收集的临床和医学成像数据来发现多种癌症类型中的新预后标记物产生了极大的兴趣。然而，以前的大多数研究都只关注个体数据模式，没有利用机器学习的最新进展进行生存预测。我们提出了Deep-CR MTLR --一种新的机器学习方法，用于在存在竞争风险的情况下，根据多模态临床和成像数据准确预测癌症生存率，该方法基于神经网络和多任务逻辑回归框架的扩展。我们在2552例头颈癌患者的队列中证明了多模式方法优于单一模式预测因子的预后性能，特别是对于癌症特异性生存率，其中我们的方法实现了2年AUROC为0.774和$C$指数为0.788。
2021-03-21 cs.LG
Efficient Algorithms and Implementation of a Semiparametric Joint Model for Longitudinal and Competing Risks Data: With Applications to Massive Biobank Data
纵向和竞争风险数据的半参数联合模型在计算上是昂贵的，并且它们当前的实现不能很好地扩展到大规模生物库数据。本文确定并解决了纵向和竞争风险生存数据的半参数联合模型中的一些关键计算障碍。通过开发和实施定制的线性扫描算法，我们将计算复杂度从$O(n^2)$或$O(n^3)$降低到各个组成部分的$O(n)$，包括数值积分、风险集计算和标准误估计，其中$n$是受试者数量。使用模拟和真实世界的生物库数据，我们证明了这些线性扫描算法产生高达数十万倍的急剧加速时，$n>10^4$，有时减少运行时间从几天到几分钟。我们已经开发了一个R-包，FastJM，基于联合建模的纵向和时间到事件的数据，有和没有竞争风险的建议算法，并使其公开的综合R档案网络（CRAN）。
2022-02-08 stat.CO stat.ME
Deep Survival Analysis in Multimodal Medical Data: A Parametric and Probabilistic Approach with Competing Risks
Information Processing and Telecommunications Center, ETSI Telecomunicación, Universidad Politécnica de Madrid, Spain（信息处理与电信中心，电信工程学院，马德里理工大学，西班牙）
提出多模态深度学习框架SAMVAE，整合临床、分子与病理图像等六种模态数据，首次在建模连续事件时间下纳入竞争风险，在乳腺癌和胶质瘤队列中实现高竞争力的生存预测。
2025-07-10 cs.LG
Deep Survival Analysis for Competing Risk Modeling with Functional Covariates and Missing Data Imputation
Department of Quantitative Health Science, Cleveland Clinic, Cleveland OH, USA（定量健康科学系，克利夫兰诊所）；Department of Pulmonary and Critical Care Medicine, Cleveland Clinic, Cleveland OH, USA（呼吸与重症医学科，克利夫兰诊所）；Department of Statistics, Purdue University, Lafayette IN, USA（统计系，普渡大学）
本研究提出统一深度学习框架FCRN，用于竞争风险下的离散时间生存分析，可整合函数型协变量并端到端处理缺失数据，在模拟数据集和真实ICU数据集上的预测准确率优于传统模型，推动重症监护预后建模发展。
2025-09-29 cs.LG
Survival analysis for AdVerse events with VarYing follow-up times (SAVVY) -- comparison of adverse event risks in randomized controlled trials
SAVVY项目通过生存分析方法处理随访时间不定、删失和竞争事件，比较随机对照试验中不良事件风险，发现估计量选择比数据特征更关键，并建议用Aalen-Johansen估计量替代发生率比例。
2022-09-20 stat.AP
A data-driven prospective study of incident dementia among older adults in the United States
我们对来自全国代表性的美国健康和退休研究的7，908名50岁以上成年人的样本中的痴呆事件及其与65个社会人口统计学，早期生活，经济，健康和行为，社会和遗传风险因素的关联进行了前瞻性分析。我们使用传统的生存分析方法（精细灰色模型）和数据驱动的方法（竞争风险的随机生存森林），这使我们能够解释长达14年的随访中的竞争死亡风险。总体而言，所有群体的前五个预测因素是教育程度低，孤独，财富和收入较低，以及自我报告的健康状况较低。然而，我们观察到不同种族/民族和性别群体的痴呆症主要预测因素存在差异。我们的排名列表可能有助于指导未来的观察和准实验研究，调查未充分研究的风险领域，并强调生命过程中的经济和健康状况以及其中的差异。
2020-06-05 stat.AP
Interval censored recursive forests
提出了区间删失递归森林算法（ICRF），这是一种求解区间删失生存数据的迭代树集成方法。这种非参数回归估计量通过迭代更新生存估计量来充分利用删失信息，并且可以被视为自相合估计量，使用袋外样本监测收敛性。针对区间删失数据，提出了优化的分裂规则，并应用了核平滑方法。ICRF在大多数模拟和雪崩数据的应用实例中显示出最高的预测精度。一个R软件包icrf可用于实现。
2021-05-20 stat.ME
Leveraging Two-Phase Data for Improved Prediction of Survival Outcomes with Application to Nasopharyngeal Cancer
本文提出一种专家指导的方法，通过利用两阶段数据、专家知识和预后指数改进癌症生存预测，有效处理HPV状态缺失问题，在模拟和真实NPC数据中表现优于现有方法。
2025-03-24 stat.ME
NetSurvival.jl: A glimpse into relative survival analysis with Julia
针对医学研究中死因不明的问题，本文开发了纯 Julia 实现的相对生存分析包 NetSurvival.jl，通过与 R 包 relsurv 的性能与接口对比，展现了 Julia 开发环境的优势。
2024-08-28 stat.CO
Bayesian calendar-time survival analysis with epidemic curve priors and variant-specific infection hazards
University of Washington（华盛顿大学）；Fred Hutch Cancer Center（弗雷德·哈钦森癌症中心）
本文提出一种基于流行曲线先验和变种特异性感染危险的贝叶斯日历时间生存分析方法，用于评估干预措施对感染风险的影响。
2026-02-21 stat.AP stat.ME
casebase: An Alternative Framework For Survival Analysis and Comparison of Event Rates
在至事件发生时间数据的流行病学研究中，临床医生和患者感兴趣的量是给定协变量特征的事件风险。然而，依赖于时间匹配或风险集抽样（包括Cox回归）的方法从似然表达式或估计函数中消除了基线风险。然后需要使用非参数方法单独估计基线危险。这导致难以解释的累积发病率的逐步估计。Hanley & Miettinen（2009）使用基于案例的抽样解释了如何使用逻辑斯谛回归估计参数风险函数。他们的方法自然会导致对时间上平滑的累积发病率的估计。在本文中，我们提出了案例库R包，一个全面的和灵活的工具包参数生存分析。我们描述了如何在更复杂的环境中使用基于案例的框架：竞争风险，随时间变化的曝光，和变量选择。我们的软件包还包括一系列广泛的可视化工具，以补充对事件发生时间数据的分析。我们通过四个不同的案例研究来说明所有这些功能。* 工代机构和监测组对这项工作作出了同等贡献。
2020-09-22 stat.ME
A Bayesian multivariate spatial approach for illness-death survival models
疾病-死亡模型是多状态框架下的一类随机模型。在这些模型中，个人被允许随着时间的推移在与疾病和死亡有关的不同状态之间移动。在研究非晚期疾病时，它们特别令人感兴趣，因为它们不仅考虑了死亡的竞争风险，而且还允许研究从疾病到死亡的进展。每个转变的强度可以建模，包括协变量的固定和随机效应。特别地，空间结构化的随机效应或其多变量版本可用于评估区域之间和过渡之间的空间差异。我们提出了一个贝叶斯方法框架的基础上的疾病死亡模型与多元Leroux先验的随机效应。我们将此模型应用于一项关于老年患者髋关节骨折后进展的队列研究。从这个空间疾病-死亡模型中，我们评估了与复发性髋部骨折和死亡相关的风险、累积发病率和转移概率的地理差异。贝叶斯推断是通过集成嵌套拉普拉斯近似（INLA）。
2022-10-13 stat.AP stat.ME
