Un modelo predice curvas de supervivencia con datos censurados

Cuando la observación termina antes de que ocurra un evento, el registro solo establece un límite inferior para su momento.

¿Puede un modelo usar estos registros parciales para predecir probabilidades de supervivencia, sobre todo en conjuntos pequeños donde las alternativas probadas no han superado al modelo de Cox?

SurvICL aprende de ejemplos censurados usados como contexto y predice curvas de supervivencia continuas para conjuntos de datos nuevos, sin ajustes específicos para cada conjunto.

Los autores compararon SurvICL con 20 métodos en 63 conjuntos de datos reservados para la evaluación final, mediante diez particiones de entrenamiento y prueba estratificadas según el evento por conjunto. La puntuación de Brier integrada mide el error de predicción de las probabilidades de supervivencia; una puntuación menor es mejor.

La tasa de victorias cuenta los pares de conjunto de datos y competidor en los que un método obtuvo una puntuación menor, no a personas ni predicciones.

SurvICL ganó el 82.9 por ciento de esos pares, frente al 71.3 por ciento de Cox, que quedó en segundo lugar.

Esta comparación agregada respalda una ventaja en los pares evaluados, mientras que un subconjunto de conjuntos pequeños mostró una tasa de victorias superior a la de Cox, pero sin significación estadística.

El resultado más sólido es un agregado de los 63 conjuntos de datos reservados para la evaluación final del artículo; no significa que SurvICL supere a todos los métodos en cada conjunto.

SurvivalBoost obtuvo la mejor puntuación de Brier integrada en los conjuntos con más de 1.000 muestras, y SurvICL aborda datos con censura por la derecha y un solo evento.