Un modello prevede curve degli eventi da dati censurati

Quando l’osservazione termina prima che si verifichi un evento, il record ne indica solo un limite temporale minimo.

Un modello può usare questi dati parziali per prevedere le probabilità di sopravvivenza, soprattutto nei dataset piccoli in cui le alternative testate non hanno superato il modello Cox?

SurvICL impara da esempi censurati usati come contesto e prevede curve di sopravvivenza continue per nuovi dataset senza adattarsi specificamente a ciascuno.

Gli autori hanno confrontato SurvICL con 20 metodi su 63 dataset riservati alla valutazione finale, usando dieci suddivisioni di addestramento e test stratificate per evento per ciascun dataset. Il Brier score integrato misura l’errore nelle probabilità di sopravvivenza: valori più bassi sono migliori.

Il tasso di vittoria conta le coppie dataset-metodo concorrente in cui un metodo ha ottenuto un punteggio inferiore, non le persone o le previsioni.

SurvICL ha prevalso nell’82,9 percento di queste coppie, contro il 71,3 percento di Cox, secondo in classifica.

Questo confronto aggregato sostiene un vantaggio sull’insieme delle coppie testate; nel sottoinsieme dei dataset piccoli il suo tasso di vittoria era superiore a quello di Cox, ma la differenza non era statisticamente significativa.

Il risultato più forte è un dato aggregato sui 63 dataset tenuti da parte per la valutazione finale: non significa che SurvICL prevalga su ogni dataset o su ogni metodo. Nei dataset con più di 1.000 campioni, SurvivalBoost ha ottenuto il miglior Brier score integrato. SurvICL è pensato per dati con censura a destra e un solo tipo di evento.