用于受限平均生存时间推断的广义贝叶斯加性回归树
统计方法学
2024-02-29 v1
摘要
用于时间至事件结局的预测方法通常依赖于生存模型，这些模型对非信息删失或个体水平协变量与生存函数之间的关系做出了强假设。当主要兴趣在于预测个体水平的受限平均生存时间（RMST）时，如果这些假设不满足，依赖这些假设可能导致较差的预测性能。我们提出了一个广义贝叶斯框架，通过使用依赖于一组逆概率删失权重（IPCW）的RMST目标损失函数，避免对所有生存结局进行全概率建模。在我们的广义贝叶斯公式中，我们使用灵活的加性树回归模型对RMST函数进行建模，并通过模型平均基于IPCW条件损失函数的伪贝叶斯后验来获得感兴趣的后验分布。由于信息删失可以通过依赖于IPCW的损失函数捕获，我们的方法只需要指定删失分布的模型，从而避免了处理信息删失的复杂联合建模。我们通过一系列模拟评估了我们方法的性能，并将其与几种著名的生存机器学习方法进行比较，并使用一个包含临床和基因组协变量的多中心乳腺癌患者队列说明了我们方法的应用。
引用
@article{arxiv.2402.17920,
title = {Generalized Bayesian Additive Regression Trees for Restricted Mean Survival Time Inference},
author = {Mahsa Ashouri and Nicholas C. Henderson},
journal= {arXiv preprint arXiv:2402.17920},
year = {2024}
}