Survival Analysis Revisited: Understanding and Unifying Poisson, Exponential, and Cox Models in Fall Risk Analysis

要約

この論文では、転倒リスク評価をケーススタディとして使用し、生存分析の基礎と応用の側面を探ります。
ロジスティック回帰、ポアソン回帰、指数回帰、コックス比例ハザード モデルなどの主要な時間関連の確率分布と統計手法を再検討し、生存分析フレームワーク内でのそれらの関係についての統一された視点を提供します。
この研究の貢献は、これらのモデル間の関係を段階的に導き出し、明確にし、特に生存状況におけるポアソン回帰がコックス モデルの特殊なケースであることを実証したことです。
これらの洞察は理解のギャップに対処し、生存モデルの単純さと解釈可能性を強化します。
この論文では、理論的な洞察を現実世界のアプリケーションに結び付けることにより、生存分析の実践的な有用性も強調しています。
転倒検出のコンテキストでは、これらのモデルが単一の合理化されたフレームワーク内でどのようにして転倒リスクの予測、要因の分析、事象発生までの時間の結果の推定を同時に行うことができるかを示します。
対照的に、高度な深層学習手法では、特に構造化された数値データを扱う場合、複雑な事後解釈とさまざまなタスクの個別のトレーニングが必要になることがよくあります。
これは、古典的な統計フレームワークの永続的な関連性を強調しており、説明可能性と堅牢性が重要である医療現場で生存モデルが特に価値のあるものとなっています。
基本的な概念を統一し、イベント発生までの時間分析に関する一貫した視点を提供することにより、この研究は、生存モデルを理解し、それらを多様な分析課題に効果的に適用するためのアクセスしやすいリソースとして機能します。

要約(オリジナル)

This paper explores foundational and applied aspects of survival analysis, using fall risk assessment as a case study. It revisits key time-related probability distributions and statistical methods, including logistic regression, Poisson regression, Exponential regression, and the Cox Proportional Hazards model, offering a unified perspective on their relationships within the survival analysis framework. A contribution of this work is the step-by-step derivation and clarification of the relationships among these models, particularly demonstrating that Poisson regression in the survival context is a specific case of the Cox model. These insights address gaps in understanding and reinforce the simplicity and interpretability of survival models. The paper also emphasizes the practical utility of survival analysis by connecting theoretical insights with real-world applications. In the context of fall detection, it demonstrates how these models can simultaneously predict fall risk, analyze contributing factors, and estimate time-to-event outcomes within a single streamlined framework. In contrast, advanced deep learning methods often require complex post-hoc interpretation and separate training for different tasks particularly when working with structured numerical data. This highlights the enduring relevance of classical statistical frameworks and makes survival models especially valuable in healthcare settings, where explainability and robustness are critical. By unifying foundational concepts and offering a cohesive perspective on time-to-event analysis, this work serves as an accessible resource for understanding survival models and applying them effectively to diverse analytical challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google