PyDTS: A Python Package for Discrete-Time Survival (Regularized) Regression with Competing Risks

要約

イベントまでの時間分析 (生存分析) は、対象となる応答が事前に指定されたイベントが発生するまでの時間である場合に使用されます。
イベント発生までの時間データは、時間自体が離散的であるか、故障時間を間隔にグループ化するか測定値を四捨五入するため、離散的になることがあります。
さらに、個人の失敗は、競合リスク (イベント) として知られる、いくつかの異なる失敗タイプの 1 つである可能性があります。
生存回帰分析のほとんどのメソッドとソフトウェア パッケージは、時間が連続スケールで測定されることを前提としています。
標準的な連続時間モデルを離散時間データに単純に適用すると、離散時間モデルの推定値に偏りが生じる可能性があることはよく知られています。
離散時間生存データのセミパラメトリック競合リスク モデルをシミュレーション、推定、評価するための Python パッケージ PyDTS が導入されました。
このパッケージには、LASSO や Elastic Net などの正規化回帰手法を含めることができる高速な手順が実装されています。
シミュレーション調査により、パッケージの柔軟性と精度が実証されます。
このパッケージの有用性は、入院期間を予測するための集中治療用医療情報マート (MIMIC) – IV データセットを分析することによって実証されます。

要約(オリジナル)

Time-to-event analysis (survival analysis) is used when the response of interest is the time until a pre-specified event occurs. Time-to-event data are sometimes discrete either because time itself is discrete or due to grouping of failure times into intervals or rounding off measurements. In addition, the failure of an individual could be one of several distinct failure types, known as competing risks (events). Most methods and software packages for survival regression analysis assume that time is measured on a continuous scale. It is well-known that naively applying standard continuous-time models with discrete-time data may result in biased estimators of the discrete-time models. The Python package PyDTS, for simulating, estimating and evaluating semi-parametric competing-risks models for discrete-time survival data, is introduced. The package implements a fast procedure that enables including regularized regression methods, such as LASSO and elastic net, among others. A simulation study showcases flexibility and accuracy of the package. The utility of the package is demonstrated by analysing the Medical Information Mart for Intensive Care (MIMIC) – IV dataset for prediction of hospitalization length of stay.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google