Uncertainty Estimation in Cancer Survival Prediction
Indian Institute of Technology Bombay（印度理工学院孟买分校）；Case Western Reserve University（凯斯西储大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
生存模型用于各个领域，例如癌症治疗方案的开发。虽然已经提出了许多统计和机器学习模型来实现准确的生存预测，但很少注意获得与每个预测相关的校准良好的不确定性估计。目前流行的模型是不透明和不可信的，因为即使在那些与训练样本不相似的测试用例上，甚至在它们的预测是错误的时候，它们也经常表现出很高的信心。我们提出了一个生存模型的贝叶斯框架，不仅提供了更准确的生存预测，但也更好地量化生存的不确定性。我们的方法是一种新的组合变分推理不确定性估计，神经多任务逻辑回归估计非线性和时变风险模型，和一个额外的稀疏诱导之前的工作与高维数据。
2020-03-25 cs.LG stat.AP stat.ML
Variational Bayes for high-dimensional proportional hazards models with applications within gene expression
很少有贝叶斯方法用于分析高维稀疏生存数据，提供可扩展的变量选择，效果估计和不确定性量化。这种方法通常要么通过计算最大后验估计来牺牲不确定性量化，要么以高（不可缩放）计算费用来量化不确定性。我们弥合了这一差距，并开发了一个可解释和可扩展的贝叶斯比例风险模型的预测和变量选择，简称为SVB。我们的方法，基于平均场变分近似，克服了MCMC的高计算成本，同时保留有用的功能，提供了一个后验分布的参数，并提供了一个自然的机制，通过后验包含概率变量选择。我们提出的方法的性能进行评估，通过广泛的模拟和其他国家的最先进的贝叶斯变量选择方法进行比较，表现出可比或更好的性能。最后，我们演示了如何使用所提出的方法在两个具有删失生存结局的转录组数据集上进行变量选择，以及如何使用我们的方法提供的不确定性量化来提供对患者风险的可解释评估。
2022-07-05 stat.ME stat.ML
Variable Selection with Random Survival Forest and Bayesian Additive Regression Tree for Survival Data
在本文中，我们利用一个生存分析的方法，结合贝叶斯加性回归树来解释非线性和加性协变量的影响。我们比较了贝叶斯加性回归树，Cox比例风险和随机生存森林模型的性能截尾生存数据，使用模拟研究和生存分析乳腺癌与美国SEER数据库2005年。在模拟研究中，我们比较了三种模型在不同的样本量和删失率的基础上的偏差和预测精度。在乳腺癌的生存分析中，我们回顾性分析了1500例浸润性导管癌患者的亚组，浸润性导管癌是一种常见的乳腺癌，主要累及老年女性。三种模型的预测潜力，然后使用一些广泛使用的生存文献的性能评估措施进行比较。
2019-11-02 stat.AP stat.ML
Bayesian Nonparametric Survival Analysis using mixture of Burr XII distributions
近年来，贝叶斯非参数方法在生存研究中的应用越来越受到人们的关注。由于生存数据的多模态性，混合模型在这一领域非常普遍。Dirichlet过程先验是贝叶斯非参数模型的著名先验之一。本文介绍了一种以Burr分布（Burr型XII）为核的贝叶斯非参数混合模型。由于Burr分布在生存分析中具有一般分布的良好性质，因此比其他分布具有更大的灵活性。通过将该模型应用于模拟和真实的失效时间数据集，我们展示了该模型的优越性，并将其与其他具有不同核函数的Dirichlet过程混合模型进行了比较。并且证明了该模型适用于右删失数据。为了计算推断和建模参数的后验，我们使用了MCMC模拟方法，特别是吉布斯抽样。
2016-12-23 stat.AP
Large Language Model-Derived Priors Can Improve Bayesian Survival Analyses: A Glioblastoma Application
University of Minnesota（明尼苏达大学）；Medical College of Wisconsin（威斯康星医学院）
本文提出利用生成式 AI 快速生成贝叶斯生存模型中比较胶质母细胞瘤疗法的风险比先验分布，经放射肿瘤学家评估与敏感性分析，证实 AI 先验是替代专家意见获取的优选方法。
2025-11-03 stat.AP
Semiparametric analysis of clustered interval-censored survival data using Soft Bayesian Additive Regression Trees (SBART)
流行的参数和半参数风险回归模型聚类生存数据是不合适的，不充分的未知影响不同的协变量和聚类是复杂的。这需要一个灵活的建模框架来产生有效的生存预测。此外，对于一些涉及至发生某些无症状事件的时间的生存期研究，生存期通常在连续临床检查之间进行间隔删失。在这篇文章中，我们提出了一个强大的半参数模型，用于贝叶斯集成学习范式下的聚类区间删失生存数据，称为软贝叶斯加性回归树或SBART（Linero和Yang，2018），它结合了多个稀疏（软）决策树，以获得出色的预测精度。我们开发了一种新的半参数风险回归模型，通过建模的风险函数作为一个产品的参数基线风险函数和非参数组件，使用SBART将聚类，未知的功能形式的主要影响，和各种协变量的相互作用的影响。除了适用于左删失，右删失和区间删失的生存数据，我们的方法是使用数据增强计划，允许现有的贝叶斯回拟合算法被使用。我们说明了我们的方法的实际实施和优势，通过模拟研究和分析的前列腺癌手术的研究，依赖于医生的经验和技能水平，导致集群的生存时间。最后，我们讨论了我们的方法的适用性，涉及高维数据与复杂的底层关联的研究。
2021-03-12 stat.AP
Bayesian Survival Modelling of University Outcomes
本文的目的是在智利天主教大学本科生在大学注册的长度和相关的学术成果建模。生存时间被定义为直到注册期结束的时间，这可能与不同的原因有关-毕业或两种类型的辍学-由不同的过程驱动。因此，采用竞争风险模型进行分析。分离的结果（这排除了极大似然估计）的问题是通过使用贝叶斯推断与适当选择的先验处理。我们感兴趣的是确定大学成果的重要决定因素，并通过贝叶斯模型平均正式解决相关模型的不确定性。为模拟大学成果而采用的方法适用于三个选定的学位课程，这些课程特别受到辍学和迟毕业的影响。
2014-06-25 stat.AP
Bayesian Stacked Parametric Survival with Frailty Components and Interval Censored Failure Times
为了更好地了解暴露于食物过敏原的影响，食物挑战研究旨在缓慢增加过敏个体的过敏原剂量，直到发生客观反应。这些失效剂量研究用于确定可接受的摄入水平，并使用参数失效时间模型进行分析。虽然这些模型可以提供生存曲线的估计值，但它们的参数形式可能会错误地表示目标剂量的生存函数，并且类似地描述数据的不同模型可能会产生不同的失效剂量估计值。受预测推理的启发，我们开发了一种贝叶斯方法，根据后验预测叠加来组合生存估计，其中形成权重以最大化后验预测准确性。该方法允许包含灵活的模型，并且在我们的情况下，允许我们包含随机效应，以解释通过研究间异质性进入模型的脆弱成分。该方法在模拟中进行了研究，并用于估计多个食物过敏原的过敏人群诱发剂量。
2019-08-29 stat.AP
A Bayesian framework for patient-level partitioned survival cost-utility analysis
与临床试验同时收集的患者一级卫生经济数据是技术评估过程的一个重要组成部分，目的是为资源分配决策提供信息。对于生命末期治疗（如癌症治疗），成本效益/效用数据的建模可能涉及某种形式的分区生存分析，其中将进展前和进展后阶段的健康相关生活质量和生存时间的测量值相结合，以生成临床获益的某种综合测量值（如质量调整生存期）。此外，资源使用数据通常是从不同服务的健康记录中收集的，从中可以获得不同的成本组成（例如治疗、住院或不良事件成本）。这些分析中的一个关键问题是，有效性和成本数据都存在一些复杂性，包括非正态性、峰值和缺失，应使用适当的方法加以解决。贝叶斯模型提供了一个强大的工具，已成为越来越流行的卫生经济学和统计文献，以一种相对简单的方式共同处理这些问题。本文提出了一个一般的贝叶斯框架，考虑到基于试验的分割生存成本效用数据的复杂关系，可能提供更充分的证据，为决策者提供决策过程。我们的方法的动机是，并应用于，一个工作的例子，从一个试验的数据为基础，评估晚期非小细胞肺癌患者的新治疗的成本效益。
2020-11-21 stat.AP
Bayesian models for survival data of clinical trials: Comparison of implementations using R software
目的：为使用比例风险模型对具有生存终点的随机临床试验进行事后贝叶斯分析提供R中可用主要函数的使用指南。研究设计和设置：数据来源于ALLOZARGO试验，该试验对465例接受同种异体移植以预防肺部并发症的患者进行，并在阿奇霉素和安慰剂之间进行分配;随机化后2年的无气流下降生存率是主要终点。结果如下：尽管建模假设存在异质性，特别是基线风险（参数或非参数）和估计方法，但阿奇霉素效应的贝叶斯后验平均风险比（HR）估计值接近于通过极大似然方法获得的估计值。结论：贝叶斯模型可以使用各种R软件包实现，提供与最大似然估计密切一致的结果。这些模型提供了不可能以其他方式获得的概率陈述。
2019-09-09 stat.AP stat.CO
Bayesian Spatial Homogeneity Pursuit for Survival Data with an Application to the SEER Respiratory Cancer Data
在这项工作中，我们提出了一个新的贝叶斯空间同质性追踪方法的比例风险模型下的生存数据检测空间聚集模式的基线风险和回归系数。特别地，假设回归系数和基线风险在空间上具有空间均匀性模式。为了捕捉这种同质性，我们开发了一个地理加权中餐厅的过程之前，同时估计系数和基线危害及其不确定性措施。设计了一种有效的马尔可夫链蒙特卡罗（MCMC）算法。使用模拟数据的性能进行评估，并进一步应用到路易斯安那州的呼吸道癌症的真实数据分析。
2021-02-23 stat.AP stat.ME
Bayesian nonparametric estimation of survival functions with multiple-samples information
在许多实际问题中，需要比交换矩阵更一般的依赖结构。例如，在某些情况下，部分交换是一个更合理的假设。由于这个原因，依赖贝叶斯非参数先验向量最近得到了普及。它们提供了灵活的模型，从计算和理论的角度来看是易于处理的。在本文中，我们专注于他们的使用估计生存函数与多样本信息。我们的方法允许建立模型的生存时间之间的依赖关系，不同的观察组和扩展以前的工作到任意的维度。提供了有关完全随机测量的基础相关向量的后验行为的理论结果。该模型的性能进行了测试模拟数据集所产生的分布克莱顿copula。
2018-03-18 stat.AP stat.CO stat.ME
Bayesian analysis of restricted mean survival time adjusted for covariates using pseudo-observations
本文提出一种结合伪观测与广义矩方法的新型贝叶斯方法，无需建模生存函数即可估计协变量调整的RMST，模拟与前列腺癌III期试验验证其有效性、精度及可解释性。
2025-03-27 stat.AP stat.ME
A Bayesian survival model induced by hurdle zero-modified power series discrete frailty with dispersion: an application in lung cancer
本文提出一种由HZMPS分布诱导的带色散参数的贝叶斯离散脆弱性生存模型，以区分高风险与已治愈个体，并在模拟和肺癌应用中验证了其灵活性与推断潜力。
2025-05-29 stat.AP stat.ME
Bayesian Variable Selection For Survival Data Using Inverse Moment Priors
在高维癌症基因组研究中，有效的变量选择对于发现与特定癌症类型相关的基因和预测对治疗的反应至关重要。删失生存数据在此类研究中很普遍。在这篇文章中，我们介绍了一个贝叶斯变量选择过程，使用的混合物前组成的点质量在零和逆矩前与部分似然定义的Cox比例风险模型。该过程在R包BVSNLP中实现，该包支持并行计算，并使用随机搜索方法来探索模型空间。贝叶斯模型平均用于预测。该算法提供了更好的性能比其他变量选择程序在模拟研究中，并出现提供更一致的变量选择时，应用到实际的基因组数据集。
2020-03-14 stat.AP stat.CO
Quantifying uncertainty of individualized treatment effects in right-censored survival data: A comparison of Bayesian additive regression trees and causal survival forest
本文通过广泛的模拟研究，比较了在右删失生存数据中量化个体化处理效应不确定性时，贝叶斯加性回归树（BART）和因果生存森林（CSF）的区间估计覆盖率，发现BART在三种设置下均优于CSF。
2025-04-06 stat.AP stat.ME
Bayesian generalized method of moments applied to pseudo-observations in survival analysis
Oncostat U1018, Inserm（Inserm）；University Paris-Saclay（巴黎萨克雷大学）；Ipsen Innovation, Clinical Development Organisation（益普生创新）；I-Biostat；KU-Leuven（荷语鲁汶大学）；Department of Statistics and Actuarial Science（统计学与精算学系）；The University of Hong Kong（香港大学）；F. Hoffmann-La Roche AG（罗氏制药）
本文提出一种无需指定基础危险函数的贝叶斯广义矩法，用于处理生存分析中的伪观测数据，通过模拟研究验证了其在小样本和高删失率下的有效性。
2024-06-06 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
Bayesian Joint Modeling of Zero-Inflated Longitudinal Data and Survival with a Cure Fraction: Application to AIDS Data
针对零膨胀纵向计数数据与含治愈组分的生存数据，提出贝叶斯联合建模框架，纵向用混合效应Hurdle模型、生存用Cox-混合治愈模型并通过纵向值线性组合连接，经模拟与HIV数据验证，可支持个性化医疗决策。
2025-08-26 stat.AP stat.ME
Restricted Mean Survival Time Estimation Using Bayesian Nonparametric Dependent Mixture Models
提出基于相依折棍过程先验混合模型的非参数贝叶斯RMST估计量，可产生组级因果估计和个体级预测，且相比probit先验能产生更窄可信区间，并应用于估计免疫疗法对KRAS野生型结直肠癌患者的治疗效果。
2023-05-24 stat.AP stat.ME
Integrating Latent Classes in the Bayesian Shared Parameter Joint Model of Longitudinal and Survival Outcomes
囊性纤维化是一种慢性肺部疾病，需要频繁的患者监测以随时间维持肺功能，并最大限度地减少称为肺部恶化的急性呼吸事件的发作。从临床角度来看，重要的是表征关键生物标志物（如$FEV_1$）与至首次加重时间之间的相关性。疾病的进展是异质性的，在人群中产生不同的亚组，表现出不同的纵向特征。根据这些未观察到的子组（潜在类）的独特轨迹进行分类是可取的。考虑到这些潜在的类别，换句话说，异质性，将导致改进的估计所产生的联合肿瘤生存模型的关联。纵向和生存数据的联合模型构成了一个流行的框架来分析来自异质性队列的此类数据。特别是，在这个框架内的两个范例是共享参数联合模型和联合潜在类模型。前一种范式允许量化纵向和生存结果之间的关联强度，但不允许潜在的亚群。后一种范式明确地假定了亚群体的存在，但没有直接量化关联的强度。我们建议将潜在类的共享参数联合模型中的一个完全贝叶斯方法，这使我们能够调查之间的关联$FEV_1$和时间，以第一次恶化内每个潜在类。此外，我们专注于潜在类的最佳数量的选择。
2019-11-05 stat.AP
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 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
Assessing Preferential Sampling in Retail Survival Data: A Bayesian Joint LGCP and Spatial Probit Model for Mini-Supermarket Closure in Tokyo
Bank of America, Tokyo, Japan（美国银行）；Graduate School of Social Data Science, Hitotsubashi University, Tokyo, Japan（一桥大学社会数据科学研究生院）
研究零售生存数据中因位置因素致偏好抽样问题，提出贝叶斯联合LGCP和空间Probit模型，用特定算法和协变量等进行分析，结果显示能区分偏好抽样，且靠近大型超市是关闭风险的稳健预测因素。
2026-08-12 stat.AP stat.ME
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
A tractable Bayesian joint model for longitudinal and survival data
我们介绍了一个数值上易于处理的制定贝叶斯联合模型的纵向和生存数据。纵向过程采用广义线性混合模型建模，而生存过程采用参数化一般危险结构建模。这两个过程通过共享固定效应和随机效应而联系在一起，将在时间尺度上起作用的效应与影响危害尺度的效应分开。这种策略允许包括非线性和时间依赖性的影响，同时避免了需要数值积分，这有利于实施拟议的联合模型。我们探索使用灵活的参数分布建模的基线风险函数，可以捕捉在实践中感兴趣的基本形状。我们讨论的参数的解释的基础上事先启发。我们提出了一个广泛的模拟研究，我们分析了所提出的模型的推理性能，并说明了灵活性，样本量和审查之间的权衡。我们还将我们的建议应用到两个真实的数据应用中，以证明我们的配方在单变量时间事件数据和竞争风险框架中的适应性。该方法已在rstan中实施。
2021-04-22 stat.AP stat.CO stat.ME
A comparison of Bayesian accelerated failure time models with spatially varying coefficients
加速失效时间（AFT）模型是分析生存数据的常用工具。在公共卫生研究中，数据通常从不同地点的医疗服务提供者那里收集。不同地点的生存率往往呈现地理上不同的模式。本文研究了具有空间变系数的加速失效时间模型。我们比较了三种类型的空间变化系数的先验。提出了一种模型选择准则--伪边缘似然对数（LPML），用以评价不同先验条件下AFT模型的拟合程度。进行了广泛的模拟研究，以检查所提出的方法的经验性能。最后，我们将我们的模型应用于路易斯安那州前列腺癌的SEER数据，并证明了前列腺癌数据对生存率的空间变化影响的存在。
2020-02-08 stat.AP
Causal mediation analysis for longitudinal and survival data in continuous time using Bayesian non-parametric joint models
University of Chicago（芝加哥大学）；University of Florida（佛罗里达大学）；Northwestern University（西北大学）
本文提出了一种联合建模纵向暴露、混杂因素、中介变量和时间到事件结局的因果中介框架，以连续函数形式建模年龄，利用富集狄利克雷过程混合模型进行统计推断，评估药物对心血管疾病死亡时间的影响。
2026-05-18 stat.AP stat.ME
A Bayesian hierarchical mixture cure modelling framework to utilize multiple survival datasets for long-term survivorship estimates: A case study from previously untreated metastatic melanoma
UCL（伦敦大学学院）；Bristol Myers Squibb（百时美施贵宝）；The Royal Marsden Hospital（皇家马斯登医院）
本文提出了一种贝叶斯分层混合治愈模型，用于整合多个生存数据集以提高长期生存率估计的准确性，并通过黑色素瘤临床试验案例验证了其有效性。
2025-01-28 stat.AP stat.ME
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
When Method Choice Changes Statistical Inference: A Comparison of a Baseline Two-Stage Approach and Bayesian Joint Modeling for Longitudinal and Survival Data in an HIV Clinical Trial
University of Northern Colorado（北科罗拉多大学）
本研究以HIV临床试验数据对比两阶段方法与贝叶斯联合模型，发现二者对ddI与死亡率关联估计相近，但CD4保护关联估计存在差异，表明纵向生物标志物信息的处理方式会影响统计推断。
2026-08-14 stat.AP stat.ME
A Bayesian Prevalence Incidence Cure model for estimating survival using Electronic Health Records with incomplete baseline diagnoses
MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计单元）
本文提出了一种基于贝叶斯方法的患病率发病率治愈模型，用于更准确地估计生存概率，通过结合混合模型与治愈模型，解决传统PI模型在治愈情况下的偏差问题。
2026-01-30 stat.AP stat.ME
The use of registry data to extrapolate overall survival results from randomised controlled trials
背景资料：上市前生存率估计值通常仅限于随机对照试验（RCT）中直接观察到的结果。然而，对于监管和卫生技术评估（HTA）决策，通常需要比RCT研究更长的时间范围。因此，需要外推来估计长期处理效应。登记研究数据可提供证据支持从RCT外推处理效应，RCT被认为是新药申请效果证据的主要来源。有许多方法可用于外推生存数据，如指数、Weibull、Gompertz、对数逻辑或对数正态参数模型。不同的方法有不同的函数形式，并可能导致不同的生存估计。方法：本文的目的是使用注册数据来补充相对短期的RCT数据，以获得长期疗效估计。未检验正式假设。我们探讨了上述参数回归模型以及基于局部线性（参数）回归的非参数回归模型。我们还探讨了一个贝叶斯模型约束的长期估计的生存文献中报道，贝叶斯功率先验方法从已发表的文献中观察到的变异性，和贝叶斯模型平均（BMA）的方法。该方法用于外推转移性黑色素瘤RCT的总生存期。结果如下：结果表明，BMA方法能够很好地拟合RCT数据，在有或没有SEER Medicare登记的情况下，曲线下面积的变异性最低，长达72个月。结论：在缺乏长期数据的情况下，BMA方法是外推总生存期的可行方法。
2019-10-24 stat.AP stat.ME
Bayesian nonparametric mean residual life regression
针对概率框架下平均剩余寿命回归推断方法有限的问题，提出基于Dirichlet过程混合的贝叶斯非参数回归方法，扩展纳入组间依赖，开发后验推断方法，经模拟和右删失生存数据验证有效。
2024-01-24 stat.AP stat.ME
Analysis of spatially clustered survival data with unobserved covariates using SBART
针对大型空间聚类生存数据，提出基于软贝叶斯加法回归树（SBART）的非参数方法，处理未知函数形式及未观测协变量，并在佛罗里达州乳腺癌数据中验证其优于现有方法。
2024-11-10 stat.AP stat.ME
Bayesian Semiparametric Model for Sequential Treatment Decisions with Informative Timing
Brown University（布朗大学）；University of Pennsylvania（宾夕法尼亚大学）；University of Southern California（南加州大学）；Children’s Hospital of Philadelphia（费城儿童医院）；Rutgers University（罗格斯大学）
针对儿童AML序贯ACT治疗中时变混杂、信息性治疗时间及中途死亡或退出问题，提出基于Gamma Process先验的贝叶斯半参数生成模型，并用g-computation推断动态心功能指导规则的生存疗效。
2022-11-29 cs.LG stat.AP stat.ME
A Bayesian Approach to Modelling Longitudinal Data in Electronic Health Records
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of California Los Angeles（加州大学洛杉矶分校）
分析电子健康记录（EHR）带来了重大挑战，因为通常很少有样本可以描述患者的健康状况，并且在可用时，其信息内容高度多样化。我们考虑的问题是如何整合稀疏采样的纵向数据，缺失的测量信息的基础健康状况和固定的人口统计信息，以产生估计的生存分布更新通过患者的后续行动。我们提出了一个非参数概率模型，生成生存轨迹的贝叶斯树，学习变量的相互作用随着时间的推移，而无需事先指定的纵向过程的合奏。我们显示了原发性胆汁性肝硬化患者数据的性能改善。
2019-12-19 cs.LG stat.AP stat.ML
Flexible linear mixed models with improper priors for longitudinal and survival data
针对具有灵活随机效应和残差误差分布的分层线性混合模型，提出了一种使用不适当先验的贝叶斯方法。误差分布是使用比例混合的法线，它可以捕捉比那些正态分布的尾部重建模。这种概括对于产生对离群值的存在具有鲁棒性的模型是有用的。还研究了非对称残差的情况。我们目前的一般结果的适当性后，也包括情况下，审查意见，允许使用这些模型的背景下流行的纵向和生存分析。我们考虑使用灵活的边际copula建模之间的依赖关系的随机效应，但我们的研究结果涵盖使用任何随机效应分布。因此，我们的论文提供了一个正式的理由贝叶斯推断在一个非常广泛的一类模型（几乎涵盖了所有的文献）有吸引力的事先结构，限制所需的用户启发。
2018-02-05 stat.AP stat.ME
Bayesian Variable Selection for Cox Regression Model with Spatially Varying Coefficients with Applications to Louisiana Respiratory Cancer Data
Cox回归模型是生存分析中常用的模型。在公共卫生研究中，临床数据通常从不同地点的医疗服务提供者收集。协变量对特定疾病生存率的影响存在很大的地理差异。本文研究了空间变系数Cox回归模型的变量选择问题。我们提出了一个贝叶斯分层模型，它采用了马蹄事先稀疏和点质量混合之前，以确定是否回归系数是空间变化的。一个有效的两阶段计算方法用于后验推理和变量选择。它本质上是应用现有的方法来最大化部分的Cox模型的独立的网站第一，然后应用MCMC算法的变量选择的基础上的第一阶段的结果。进行了广泛的模拟研究，以检查所提出的方法的经验性能。最后，我们应用所提出的方法来分析一个真实的数据集呼吸道癌症在路易斯安那州的SEER计划。
2021-07-28 stat.AP
Lapse risk modelling in insurance: a Bayesian mixture approach
本文主要研究寿险保单的退保时间模型。在这种情况下，通常会在合同的头几个月观察到较大的失效率，几个月后该比率会下降。取消时间的建模必须考虑到这一特定行为。另一个程式化的事实是，在研究期间没有取消的政策被认为是审查。为了解释审查和异质失效率，这项工作假设了一个贝叶斯生存模型与回归的混合。该推断基于数据增强，即使对于超过一百万个客户端的数据集也可以进行快速计算。此外，还提出了基于期望最大化算法的可扩展点估计。一个说明性的例子模拟了人寿保险合同的典型行为和模拟研究调查所提出的模型的属性。特别是，在保险背景下观察到的审查可能高达50%的数据，这是非常不寻常的生存模型在其他领域，如流行病学。这方面是利用我们的模拟研究。
2022-07-14 stat.AP stat.CO
Bayesian Structural Equation Modeling in Multiple Omics Data Integration with Application to Circadian Genes
众所周知，不同数据源之间的整合是可靠的，因为它有可能揭示在单一来源分析中可能处于休眠状态的基因组表达的新功能。此外，不同的研究证明了对多平台数据进行更强大的分析的合理性。为此，在这项研究中，我们考虑了昼夜节律基因的组学特征，如拷贝数变化和RNA序列数据以及它们的生存反应。我们开发了一种贝叶斯结构方程模型，结合线性回归和对数正态加速失效时间回归，以整合这两个平台之间的信息来预测受试者的生存。我们把共轭先验的回归参数，并推导出吉布斯抽样使用它们的条件分布。我们广泛的模拟研究表明，综合模型提供了一个更好的适合的数据比其最接近的竞争对手。对来自最大的基因组学和转录组学数据库TCGA的胶质母细胞瘤癌症数据和乳腺癌数据的分析支持了我们的发现。所开发的方法被封装在R CRAN提供的R包semmcmc中。
2021-12-06 stat.AP stat.ME
Tutorial on survival modeling with applications to omics data
本文提出适用于高维组学数据的通用生存分析流程，重点介绍 Cox 型惩罚回归与分层贝叶斯特征选择模型，并提供基于 TCGA 数据的 R 教程。
2024-03-04 q-bio.GN stat.AP
A Note on Bayesian Modeling Specification of Censored Data in JAGS
Just Another吉布斯抽样（JAGS）是一个方便的工具，可以使用马尔可夫链蒙特卡罗来绘制贝叶斯建模的后验样本。然而，用于对删失数据建模的内置函数dinterval（）错误地指定了偏差函数的计算，这可能限制其用于执行基于似然的模型比较。为了建立一个自动的方法来指定正确的偏差函数在JAGS，我们提出了一个简单的替代建模策略，实现贝叶斯模型选择分析删失的结果。所提出的方法适用于广泛的数据类型，其中包括生存数据和许多其他的右，左和区间删失贝叶斯模型结构。
2020-12-03 stat.AP stat.ME
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
