Un modelo de curación de la mezcla basada en el tiempo de falla acelerada integrada en la red neuronal

Área de la Ciencia:

• Estadísticas biológicas
• Aprendizaje automático
• Análisis de la supervivencia

Sus antecedentes:

• Los modelos de tasa de curación de la mezcla (MCM) son estándar para los datos de supervivencia con subgrupos curados.
• El modelado tradicional de probabilidad de curación utilizando modelos lineales generalizados con enlaces logiticos tiene limitaciones para capturar efectos covariados complejos.

Objetivo del estudio:

• Introducir un nuevo MCM que incorpore un clasificador de red neuronal para la probabilidad de curación.
• Mejorar la precisión de las estimaciones de la probabilidad de curación y la precisión predictiva en el análisis de la supervivencia.

Principales métodos:

• Desarrolló un nuevo MCM con un clasificador basado en redes neuronales para la probabilidad de curación.
• Utilizó una estructura de tiempo de falla acelerada para la distribución de la supervivencia de los pacientes no curados.
• Se empleó un algoritmo de maximización de expectativas para la estimación de parámetros.

Principales resultados:

• El MCM basado en redes neuronales propuesto demostró un rendimiento superior en la captura de límites de clasificación no lineales.
• Superó a los MCM basados en logit, los MCM basados en spline y otros algoritmos de aprendizaje automático en simulaciones.
• Mostró una mayor precisión y precisión de las estimaciones de probabilidad curadas y una mayor precisión predictiva.

Conclusiones:

• El nuevo MCM modela efectivamente las probabilidades de curación complejas utilizando redes neuronales.
• El método propuesto ofrece mejoras significativas con respecto a los enfoques existentes para el análisis de los datos de supervivencia.
• Utilidad práctica demostrada a través de la aplicación a los datos de supervivencia de pacientes con cáncer de leucemia.