基于核机器的加速失效时间模型及其应用

加速失效时间模型是一种应用广泛的生存分析模型。本文借助LASSO惩罚剔除冗余预测变量,构建基于核机器的加速失效时间模型,用以刻画预测变量与生存期间的复杂关系。此外,提出一种新的正则化Garrotized核机器估计方法,可以较好地刻画预测变量与生存期潜在的非线性关系,实现非参数分量中预测变量间交互作用的自动建模,提升模型预测精度。模拟研究表明,与已有的代表性方法相比,本文提出的方法对生存期的预测精度更高,特别是在复杂关系情形下优势更为显著。最后,将该方法应用于胃癌数据分析,利用临床信息和基因表达预测生存期和风险评分。实证结果显示,该方法能为病例基于风险分层的临床精准诊疗方案设计提供有益的参考。

随机森林与Logistic回归模型对子宫内膜癌患者加速康复外科术后早期出院预测的比较

目的应用随机森林和Logistic回归分别构建子宫内膜癌患者加速康复外科术后早期出院预测模型,比较2种模型预测效果。方法采用便利抽样法,选取2019年1月-2021年12月在某三级甲等医院接受妇科加速康复外科手术并符合纳排标准的子宫内膜癌患者328例,按照7∶3的比例随机分配至建模组和验证组,运用随机森林和Logistic回归构建子宫内膜癌患者加速康复外科术后早期出院预测模型,采用准确度、灵敏度、特异度、阳性预测值、阴性预测值、约登指数和受试者工作特征曲线下面积对2种模型的性能进行比较。结果建模组中,随机森林与Logistic回归准确度为1.000,0.896、灵敏度为1.000,0.833、特异度为1.000,0.915、阳性预测值为1.000,0.750、阴性预测值为1.000,0.942、约登指数为1.000,0.729、AUC为1.000,0.950;验证组中,随机森林与Logistic回归准确度为0.969,0.888、灵敏度为0.960,0.750、特异度为0.973,0.943、阳性预测值为0.923,0.840、阴性预测值为0.986,0.904、约登指数为0.933,0.693、AUC为0.940,0.900。结论随机森林模型对子宫内膜癌患者加速康复外科术后早期出院的预测性能优于Logistic回归模型。

基于加速失效时间模型的企业停产与恢复时间研究

为了帮助企业制定灾后恢复对策,更好地应对灾害威胁,利用加速失效时间(AFT)模型,研究受灾企业停产与恢复时间的影响因素与模型参数。首先以恩施市2020年7月17日发生的暴雨洪涝灾害为例,基于实地调查收集到的377份数据样本,构建AFT模型;其次将影响企业停产与恢复的10个因素作为解释变量,估算洪涝灾害情景下商业企业的停产与恢复时间参数;然后基于恩施市数据与已有余姚市数据,探究同一灾害下不同影响区域的差异性。结果表明:淹没水深、库存损失率、垃圾清运时间和灾前预警时间等是影响企业停产的主要因素。淹没水深、停水时间和库存损失率等是影响企业恢复的主要因素;相比于其他类型的商业企业,住宿和餐饮业企业的平均恢复时间最短。

加速失效时间模型的贝叶斯参数估计和变量选择

本文主要考虑利用贝叶斯方法分析加速失效时间模型.在该模型中,误差项的分布为未知并采用Polya Tree分布进行逼近.本文利用贝叶斯Lasso和马尔科夫链蒙特卡罗方法对模型进行参数估计和变量选择.模拟结果显示本文提出的方法能准确识别模型中重要的影响因子并能得到准确的参数估计.本文最后利用此模型识别Ⅱ型糖尿病人生存时间的重要风险因子.

加速失效时间模型及其医学应用

目的 :探讨加速失效时间模型及其在医学研究中的应用。方法 :利用极大似然法对医学数据进行实例分析。结果 :当 Cox模型不适用时 ,加速失效时间模型可以对数据作出很好的估计。结论 :加速失效时间模型在生存分析领域具有良好的适用性。

光滑误差项分布的加速失效时间模型及其医学应用

目的介绍光滑误差项分布的加速失效时间模型并探讨其在医学中的应用。方法通过惩罚最大似然的方法对模型中的参数做出估计,以"伪方差估计"的方法做进一步推断,以实例说明模型的实际应用并与Cox模型结果相比较。结果资料不满足Cox模型比例风险假定时,加速失效时间模型的结果优于Cox模型。结论光滑误差项分布的加速失效时间模型不需要知道误差项的基准分布,也不需要满足比例风险假定,是Cox模型很好的替代模型。

应用加速失效时间模型研究急性心肌梗塞近期预后

应用加速失效时间模型研究急性心肌梗塞近期预后锦州医学院阜新矿务局职业病研究所马洪林魏庆王争孙龙尧急性心肌梗塞（ＡｃｕｔｅＭｙｏｃａｒｄｉａｌＩｎｆａｒｃｔｉｏｎ，简称ＡＭＩ），是一种严重危害人体健康的疾病，是急性心源性猝死的重要原因。在８０年代以前...

Cox比例风险模型与加速失效时间模型在基因表达数据生存分析中的应用及比较

目的:探讨Cox比例风险模型与加速失效时间模型(accelerated failure time model,AFT)在基因表达数据生存分析中的应用及比较。方法:针对基因表达数据高维小样本的特性,首先采用偏最小二乘法对基因数据集进行降维,然后以降维后的成分为协变量对两类生存模型进行拟合并比较其性能。结果:两类模型中病人生存时间的对数秩检验表明,不同风险组生存时间的差异均有统计学意义(P<0.01),而AFT模型比Cox模型具有更大的检验统计量的值。结论:Cox模型和AFT模型都适用于基因表达数据的生存分析,在某些实际应用中AFT模型的拟合效果可能更优于Cox模型。

成组复发事件下的加速失效时间模型

对成组复发事件数据建立了半参数加速失效时间模型,在这个模型中协变量对均值函数在整个复发过程中有加速、减速的作用.该文利用估计方程的理论,给出了该模型中未知参数和基本比率函数的估计,同时利用现代经验过程理论证明了所得估计的相合性和渐近正态性.

基于秩估计量经验似然分析的加速失效时间模型与预后

[目的]介绍加速失效时间模型的一种半参数方法并探讨其在医学中的应用。[方法]用经验似然的方法对模型秩估计量进行分析,以实例说明模型的实际应用。[结果]半参数方法可对回归系数建立可信区间,实例分析结果表明半参数方法与参数法加速失效时间模型结果一致。[结论]半参数加速失效时间模型不需要知道误差项的基准分布,为筛选预后因素提供了一种简便的方法。

Adaptive Elastic Net结合加速失效时间模型在亚组识别中的应用

目的针对临床试验中的生存数据,基于加速失效时间模型提出一种亚组识别方法。方法将Adaptive Elastic Net应用于加速失效时间模型(称为惩罚模型),通过检验协变量与治疗组别的交互项来识别亚组相关协变量。采用基于极大似然的change-point算法寻找预测计分的截断点以对患者进行亚组分类。采用二阶段适应性设计,以评价治疗效果是否存在于所识别的获益亚组人群中。对比四种模型(含协变量主效应的惩罚模型、单变量模型,以及不含协变量主效应的惩罚模型、单变量模型)的亚组识别效果。结果模拟结果显示,在样本量较小、删失率较高、获益亚组占比较小以及样本量不超过协变量个数的情况下,含协变量主效应的惩罚模型在获益亚组的识别上有明显的优势;而其他情况下,则是不含主效应的单变量模型较优。在二阶段适应性设计中,这两种模型进行亚组识别的Ⅰ类错误均控制在0.05左右;当潜在获益亚组时,相比于传统设计,适应性设计很大程度上提高了检验效能。结论含协变量主效应的惩罚模型适用于生存数据的亚组识别;相比于传统设计,二阶段适应性设计更适用于潜在获益亚组的疗效评价。

协变量缺失下加速失效时间模型基于经验似然的加权估计

在部分协变量数据缺失的加速失效时间模型中,提出了参数的逆概率加权(IPW)估计和基于经验似然的加权(ELW)估计,证明了这两种估计的大样本性质.结果表明,ELW估计计算简单,且对回归参数的估计效率高于IPW估计.

重复抽样法在加速失效时间模型中的应用

[目的]探讨加速失效时间模型的半参数估计。[方法]利用重复抽样法对医学数据进行分析,并与Cox模型结果进行比较。[结果]当Cox模型不适用时,加速失效时间模型可以对参数作出很好的估计。[结论]加速失效时间模型在生存分析领域具有良好的适用性。

加速失效时间模型下关于广义病例队列抽样功效计算的一个注记（英文）

本文在加速失效时间模型下研究了广义病例队列抽样的功效计算问题.利用光滑加权Gehan估计方程方法估计了未知回归参数,研究了固定预算下广义病例队列抽样的功效计算.模拟研究和实际数据分析评估了提出方法在有限样本下的表现.

基于Adaptive Elastic Net与加速失效时间模型的亚组识别方法的应用拓展

目的针对适应性设计下的Adaptive Elastic Net与加速失效时间模型亚组识别方法进行更多适用条件下的研究,以获得该方法最佳应用效果所对应的参数。方法基于前期所提出的亚组识别方法,进一步探讨协变量间相关性、二阶段显著性水准([α1]和[α2])、协变量与样本量比例对该方法的影响。通过模拟研究,探讨含/不含协变量主效应的惩罚模型在不同情形下的亚组识别效果。结果协变量间的相关性r=0、0.3、0.5时,检验效能(power)表现稳定;在二阶段自适应设计中,当[α1]和[α2]分别为0.035和0.015时,模型的power最高;固定样本量n的情况下,power随着待选协变量个数与n比例的上升而下降,比例升到1之后power呈现平稳趋势;对于不同生存时间的参数分布,单变量模型表现出不同的模式,而惩罚AFT模型相对稳定。结论协变量间的相关性不影响检验power;(0.035,0.015)可作为自适应设计显著性水准的参考设置;获益亚组与非获益亚组间的治疗效果差异较小时,含协变量主效应的惩罚性AFT模型(Penalized,Eq_in)优于不含协变量主效应的单变量AFT模型(Univariate,Eq_ex);当协变量数量与样本量的比值小于1时,“Univariate,Eq_ex”的power更高;否则,“Penalized,Eq_in”的效果会更好;生存数据的参数分布对单变量模型的影响较大,但对惩罚模型的影响较小。

基于模型平均的右删失数据下加速失效时间模型的统计推断研究

在生物统计研究领域中,经常会由于各种原因出现数据删失的情况。此时研究人员不能精确观测到某个个体的确切失效时间,只能观测到生存时间大于删失时间,即右删失数据。相对于比例风险模型和可加风险模型,由于加速失效时间(AFT)模型更具有解释性,因此考虑采用AFT模型来对右删失数据进行建模。传统的AFT模型都是在协变量给定的情况下进行统计推断研究,这样可能会导致估计结果不准确。克服这种问题的有效途径是使用模型平均方法,通过对候选模型的估计量进行加权,可以减少估计的均方误差,稳健性更强。据此,从避免指定协变量构建模型引起的不准确性入手,针对右删失数据提出一种基于模型平均方法的加速失效时间模型。在极大似然估计方法的框架下,采用基于信息准则的模型平均方法进行参数估计及预测研究。数值模拟结果显示,在右删失数据下基于模型平均方法的AFT模型估计精度高于模型选择方法下的参数估计精度,证实了在右删失数据下使用模型平均方法可以得到更准确更稳健的估计结果。实例部分采用一组肺癌数据进行分析,结果显示基于模型平均方法的加速失效时间模型预测精度更高,进一步说明了模型平均方法的优势。

应用加速失效时间模型研究方形黄鼠蚤松江亚种的生存危险率

利用生存分析的方法 ,建立了方形黄鼠蚤松江亚种在未吸血的雌蚤和雄蚤 ,吸一次血的雌蚤和雄蚤 ,喂血雄蚤和喂血雌蚤 4种水平下的加速失效时间模型 (Acceleratedfailuretimemodels) ,并给出了相应模型的危险率函数表达式 ,得到了如下结论 :⑴危险率随着温度的增大而增大 ,随着湿度的增大而减小 ,且温度比湿度对蚤的生存影响大 ⑵在相同的温度湿度下 ,生存到某天的危险率随着吸血条件的改善而降低 ⑶高温低湿尤其不利于吸一次血的雌蚤和雄蚤 ,低温高湿不利于喂血雄蚤 ⑷一般有 ,未吸血蚤的生存期限是 1～

聚类生存数据参数和半参数加速失效时间模型对比

运用一种加速失效模型去分析聚类生存数据。模型的形式随着误差项变化而变化,误差项完全未知时,得到半参数模型,误差项的分布形式已知时,得到参数模型。对聚类生存数据来说,对同一类数据之间的关系不作任何假定,故考虑边际模型。主要提出一些参数的估计方法,通过数值模拟来验证估计量具有无偏性,方差估计与样本方差很接近。最后用半参数模型和参数模型分别来分析慢性肉芽肿病数据,进行拟合程度的比较,结果显示对于慢性肉芽肿病数据,参数加速失效时间模型拟合效果更好。

参数加速失效模型定位生存性状位点

大多数现存的检测数量性状位点的统计方法,不适于去分析带有偏态分布和删失机制的生存性状。因此,将生存分析中参数和半参数模型镶嵌到数量性状区间定位的框架内,去定位生存性状。在生存性状分析领域里,加速失效时间模型被认为是用于分析数据的一个非常重要模型。基于加速失效时间模型,提出定位生存性状的参数模型,采用EM算法获得参数的极大似然估计。同时,视贝叶斯信息标准为模型选择标准。通过选取带有极大似然和寡参数的指定误差分布,构建了优化模型。为了证明方法的有效性,分析了一个实际数据集,结果表明,在生存分布的五个常用分布函数,对数Logistic分布是控制小鼠高氧性急性肺损伤的最优分布函数。

删失数据下事件持续时间多因素生存分析模型

交通事件持续时间是事故管理研究中最重要的指数之一,应用半参数比例风险模型和参数加速失效模型分析了多因素事件持续时间及其危险因子之间的关系.利用浙江省某高速公路3年内采集的事件数据,通过对交通事件各状态概率分布函数的显著性分析,比较了比例风险模型和加速失效模型对协变量选择及生存率对共同协变量的敏感性.基于Cox比例风险模型和对数罗吉斯蒂加速失效模型的参数估计表明,有6个显著性的协变量入选各自估计的生存函数,包括报警时段、事故类型、报警方式、占用车道数、受伤人数和当场亡人.对于最显著示性变量(当场亡人),持续时间生存概率估计曲线表明,加速失效模型对于该变量更敏感,且Cox比例风险模型更适合于短时持续时间的预测.此外,生存模型可以基于事故报告信息预测持续时间大小的概率,有益于事故预后措施的实施及为紧急救援提供决策参考.