Modelo de riesgos proporcionales de Cox con red neuronal bayesiana para la predicción de la supervivencia

Área de la Ciencia:

• Las estadísticas
• Estadísticas biológicas
• Aprendizaje automático

Sus antecedentes:

• El análisis de supervivencia es crítico para comprender los datos de tiempo hasta el evento en varios campos.
• Los métodos existentes pueden tener dificultades con las relaciones complejas en los datos de supervivencia.

Objetivo del estudio:

• Presentar un nuevo enfoque que combina las redes neuronales bayesianas con el modelado de riesgos proporcionales de Cox para la estimación de los resultados de supervivencia.
• Evaluar el rendimiento predictivo del modelo propuesto con respecto a los métodos existentes.

Principales métodos:

• Utilizó redes neuronales bayesianas para estimar el componente no paramétrico de la función de peligro.
• Aplicó la metodología al estudio de ataque cardíaco de Worcester y a los conjuntos de datos de cáncer de mama SEER.
• Se han realizado estudios de simulación con distribuciones covariadas variables y funciones no paramétricas.

Principales resultados:

• Demostró la capacidad de las redes neuronales bayesianas para capturar relaciones intrincadas dentro de los datos de supervivencia.
• Mostró la efectividad del modelo en conjuntos de datos del mundo real (Ataque cardíaco de Worcester, cáncer de mama SEER).
• El análisis comparativo destacó un mejor rendimiento predictivo en comparación con los modelos tradicionales como PLACM y DPLCM.

Conclusiones:

• La fusión de los métodos bayesianos con los modelos de Cox ofrece un avance significativo en el análisis de la supervivencia.
• El modelo de Cox profundamente parcialmente lineal (BDPLCM) propuesto muestra un gran potencial para aplicaciones en el mundo real en la predicción de resultados de tiempo a evento.