Una manera eficaz y significativa de evaluar los modelos de supervivencia

Área de la Ciencia:

• Estadísticas biológicas
• Aprendizaje automático
• Ciencia de los datos

Sus antecedentes:

• La evaluación de los modelos de predicción de supervivencia a menudo utiliza el error absoluto medio (MAE).
• Los datos censurados a la derecha en los conjuntos de ensayos complican el cálculo preciso de la EMA.
• Las métricas existentes pueden no evaluar de manera confiable el rendimiento del modelo con individuos censurados.

Objetivo del estudio:

• Explorar y proponer métricas efectivas para la estimación de la EMA en conjuntos de datos de supervivencia con individuos censurados correctamente.
• Introducir un nuevo método para generar conjuntos de datos de supervivencia semisintéticos realistas para la evaluación métrica.

Principales métodos:

• Investigó varias métricas para estimar la EMA en los datos de supervivencia que contienen individuos censurados.
• Desarrolló un nuevo enfoque para crear conjuntos de datos de supervivencia semisintéticos.
• Comparó el rendimiento de diferentes métricas de estimación de EMA utilizando los conjuntos de datos generados.

Principales resultados:

• La métrica propuesta, MAE utilizando pseudoobservaciones, clasifica con precisión el rendimiento del modelo de supervivencia.
• Esta nueva métrica se aproxima mucho a la verdadera MAE y supera a varios métodos alternativos.
• Los conjuntos de datos semisintéticos resultaron eficaces para evaluar el rendimiento de la métrica de supervivencia.

Conclusiones:

• El uso de pseudoobservaciones es una métrica confiable para evaluar modelos de predicción de supervivencia con datos censurados.
• El método propuesto para generar datos semisintéticos ayuda en la evaluación métrica robusta.
• Este trabajo proporciona una forma más precisa de evaluar el rendimiento del modelo de supervivencia en presencia de censura.