扩展Cox模型在非线性生存资料分析中的预测能力比较

作     者：陈雨轩 韦红霞 潘建红 安胜利 CHEN Yuxuan;WEI Hongxia;PAN Jianhong;AN Shengli

作者机构：南方医科大学公共卫生学院生物统计学系广东广州510515 国家药品监督管理局药品审评中心北京100022 

出 版 物：《南方医科大学学报》 (Journal of Southern Medical University)

年 卷 期：2023年第43卷第1期

页      面：76-84页

核心收录：

学科分类：1004[医学-公共卫生与预防医学(可授医学、理学学位)] 100401[医学-流行病与卫生统计学] 10[医学] 

基　　金：广东省自然科学基金(2022A1515012152) 广东省组织构建与检测重点实验室开放基金(zzgjzd2021003)。 

主　　题：生存分析 非线性关联 Cox模型 限制性立方样条 深度神经网络 

摘      要：目的系统性地比较两类扩展Cox模型的预测能力,观察它们应用于非线性生存数据中的预测能力优劣。方法通过蒙特卡罗模拟和实证研究从预测能力方面研究比较限制性立方样条Cox模型(Cox_RCS),深度生存神经网络Cox模型(Cox_DNN)这两种方法的优劣;并以传统Cox模型(Cox)和随机生存森林(RSF)作为参照。其中预测的区分度评价指标采用一致性指数(C-index),该指标越大,模型预测能力越好;预测的校准度评价指标采用积分布莱尔评分(IBS),该指标越小,模型预测能力越好。结果在数据满足比例风险的情况下,无论样本量和删失率大小,Cox_RCS的预测能力都是最好的。在数据不满足比例风险的情况下,Cox_DNN的预测能力在大样本(本文中≥500)、低删失(本文中40%)时是最优的,其余情况Cox_RCS的预测能力优于其他模型。在实例数据中,Cox_RCS的表现是最优。结论在含有非线性关系的低维生存数据中,Cox_RCS和Cox_DNN在预测能力上各有优劣。因此可根据实际数据条件选择合适的分析方法,传统的生存分析方法在特定条件下并不差于机器学习以及深度学习方法。