基于通用关联特征的高效高维纵向与生存数据联合模型

本文介绍了一种称为FLASH的预后方法，用于解决在存在大量纵向特征与时间无关特征时，纵向数据与删失时长的联合建模问题。在文献中，标准联合模型要么属于共享随机效应类型，要么属于联合潜类别类型。结合两类方法的思路并采用适当的正则化技术，我们定义了一种新模型，能够在高维背景下自动识别显著的预后纵向特征，这在个性化医疗或客户流失预测等许多领域日益重要。我们开发了基于EM算法的估计方法，并提供了高效实现。该方法的统计性能在广泛的蒙特卡洛模拟研究以及公开的真实世界数据集上均得到验证。在所谓的“实时”预测设定下，我们的方法在C-index衡量潜类别成员概率预测方面显著优于最先进的联合模型，且计算速度比竞争方法快数个数量级。此外，我们的模型能从实际角度自动识别相关显著特征，从而具备可解释性。