利用深度学习、机器学习和统计方法进行生存建模：预测入院后死亡率的比较分析
机器学习
2024-03-13 v1 人工智能
计算机与社会
摘要
生存分析对于研究时间至事件结果并提供事件发生概率随时间变化的动态理解至关重要。从传统统计模型到最先进的机器学习算法，各种生存分析技术支持医疗保健干预和政策决策。然而，关于它们的比较性能仍存在持续讨论。我们对多种生存分析方法进行了比较研究，包括 Cox 比例风险模型（CoxPH）、逐步 CoxPH、弹性网惩罚 Cox 模型、随机生存森林（RSF）、梯度提升机（GBM）学习、AutoScore-Survival、DeepSurv、基于神经网络的时间依赖 Cox 模型（CoxTime）以及 DeepHit 生存神经网络。我们使用一致性指数（C-index）评估模型拟合优度，使用积分 Brier 分数（IBS）评估校准度，并考虑了模型的可解释性。作为案例研究，我们对 2017 年至 2019 年期间通过某三级医院急诊科入院的患者进行了回顾性分析，基于患者人口统计学、临床病理特征和历史数据预测 90 天全因死亡率。C-index 结果表明，深度学习取得了相当的性能，其中 DeepSurv 产生了最佳的区分度（DeepSurv: 0.893; CoxTime: 0.892; DeepHit: 0.891）。DeepSurv 的校准度（IBS: 0.041）表现最佳，其次是 RSF（IBS: 0.042）和 GBM（IBS: 0.0421），均使用了全部变量。此外，使用最小变量子集的 AutoScore-Survival 易于解释，并能实现良好的区分度和校准度（C-index: 0.867; IBS: 0.044）。虽然所有模型都令人满意，但 DeepSurv 表现出最佳的区分度和校准度。此外，AutoScore-Survival 提供了一个更简约的模型和卓越的可解释性。
引用
@article{arxiv.2403.06999,
title = {Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission},
author = {Ziwen Wang and Jin Wee Lee and Tanujit Chakraborty and Yilin Ning and Mingxuan Liu and Feng Xie and Marcus Eng Hock Ong and Nan Liu},
journal= {arXiv preprint arXiv:2403.06999},
year = {2024}
}