аспирант с 01.01.2020 по настоящее время
Россия
Россия
УДК 519.688 Программы и алгоритмы для решения отдельных задач на вычислительных машинах
Представлено исследование, посвященное сравнительному анализу расширенной модели Кокса с современными методами анализа выживаемости. Основной целью исследования является проведение сравнительного анализа прогностических способностей расширенной модели Кокса с актуальными моделями и методами анализа выживаемости. Для достижения цели использованы методы машинного обучения (случайный лес выживаемости, градиентный бустинг, метод опорных векторов) и классические статистические подходы (модели Вейбулла, лог-логистическая и лог-нормальная модели). Метод исследования включает анализ трех наборов данных: пациентов с раком предстательной железы, данных о рецидивах преступлений и пациентов с раком молочной железы. Результаты исследования демонстрируют, что расширенная модель Кокса превосходит или сопоставима по точности с современными методами машинного обучения, сохраняя при этом высокую интерпретируемость. Практическая значимость работы заключается в возможности применения расширенной модели Кокса в медицине, социальных науках и других областях, где важны как точность прогнозирования, так и понимание влияния факторов на риск наступления события. Научная новизна работы заключается в проведении первого сравнительного анализа расширенной модели Кокса с другими методами анализа выживаемости, что открывает новые возможности для улучшения и адаптации модели в будущих исследованиях. Исследование имеет важное значение для развития методов анализа выживаемости и их применения в прикладных задачах, способствуя повышению точности прогнозов и улучшению интерпретируемости результатов.
анализ выживаемости, модель Кокса, метаэвристические алгоритмы, муравьиный алгоритм, оптимизация
1. Летчиков А. В., Матвеев Р. Ю., Широбокова М. А. Решение проблемы цензурированных данных при моделировании оценки индивидуального кредитного риска // Вестник Удмуртского университета. Серия «Экономика и право». 2019. Т. 29, Вып. 1. С. 34–41.
2. Heterogeneous Datasets for Federated Survival Analysis Simulation / A. Archetti, E. Lomurno, F. Lattari [et al.] // ICPE ‘23 Companion: Companion of the ACM/SPEC International Conference on Performance Engineering (Coimbra, Portugal, 15–19 April 2023). New York (NY): Association for Computing Machinery, 2023. Pp. 173–180. DOI:https://doi.org/10.1145/3578245.3584935.
3. Микулик И. И., Жаринов Г. М., Кнеев А. Ю. Алгоритм построения функции риска расширенной модели Кокса и его применение на базе данных больных раком предстательной железы // Advanced Engineering Research (Rostov-on- Don). 2024. Т. 24, № 4. С. 413–423. DOI:https://doi.org/10.23947/2687-1653-2024-24-4-413-423.
4. Wang P., Li Y., Reddy C. K. Machine Learning for Survival Analysis: A Survey // ACM Computing Surveys. 2019. Vol. 51, Iss. 6. Art. No. 110. 36 p. DOI:https://doi.org/10.1145/3214306.
5. Overview of Parametric Survival Analysis for Health-Economic Applications / K. J. Ishak, N. Kreif, A. Benedict, N. Muszbek // PharmacoEconomics. 2013. Vol. 31, Iss. 8. Pp. 663–675. DOI:https://doi.org/10.1007/s40273-013-0064-3.
6. Zhu S., Campanella O., Chen G. Estimation of Parameters in the Weibull Model from Microbial Survival Data Obtained Under Constant Conditions with Come-up Times // Journal of Food Engineering. 2021. Vol. 292. Art. No. 110364. 10 p. DOI:https://doi.org/10.1016/j.jfoodeng.2020.110364.
7. Borges P. Estimating the Turning Point of the Log-Logistic Hazard Function in the Presence of Long-Term Survivors with an Application for Uterine Cervical Cancer Data // Journal of Applied Statistics. 2021. Vol. 48, Iss. 2. Pp. 203–213. DOI:https://doi.org/10.1080/02664763.2020.1720627.
8. Extrapolation of Survival Curves Using Standard Parametric Models and Flexible Parametric Spline Models: Comparisons in Large Registry Cohorts with Advanced Cancer / J. Gray, T. Sullivan, N. R. Latimer [et al.] // Medical Decision Making. 2021. Vol. 41, Iss. 2. Pp. 179–193. DOI:https://doi.org/10.1177/0272989X20978958.
9. Decision Tree for Competing Risks Survival Probability in Breast Cancer Study / N. A. Ibrahim, A. Kudus, I. Daud, M. R. Abu Bakar // International Journal of Biological and Medical Sciences. 2008. Vol. 3, Iss. 1. Pp. 25–29.
10. Support Vector Machines for Survival Analysis / V. Van Belle, K. Pelckmans, J. A. K. Suykens, S. Van Huffel // Proceedings of the Third International Conference on Computational Intelligence in Medicine and Healthcare (CIMED2007), (Plymouth, United Kingdom, 25–27 July 2007). 8 p.
11. Shivaswamy P. K., Chu W., Jansche M. A Support Vector Approach to Censored Targets // Proceedings of the 7th IEEE International Conference on Data Mining (ICDM 2007) (Omaha, NE, USA, 28–31 October 2007). Institute of Electrical and Electronics Engineers, 2007. Pp. 655–660. DOI:https://doi.org/10.1109/ICDM.2007.93.
12. Integrating Bioinformatics and Machine Learning Methods to Analyze Diagnostic Biomarkers for HBV-induced Hepatocellular Carcinoma / A. Yang, J. Liu, M. Li [et al.] // Diagnostic Pathology. 2024. Vol. 19, Iss. 1. Art. No. 105. 10 p. DOI:https://doi.org/10.1186/s13000-024-01528-8.
13. Deep Learning for Survival Analysis: A Review / S. Wiegrebe, P. Kopper, R. Sonabend [et al.] // Artificial Intelligence Review. 2024. Vol. 57, Iss. 3. Art. No. 65. 34 p. DOI:https://doi.org/10.1007/s10462-023-10681-3.
14. Kovalev M. S., Utkin L. V. A Robust Algorithm for Explaining Unreliable Machine Learning Survival Models Using the Kolmogorov — Smirnov Bounds // Neural Networks. 2020. Vol. 132. Pp. 1–18. DOI:https://doi.org/10.1016/j.neunet.2020.08.007.
15. Archetti A., Ieva F., Matteucci M. Scaling Survival Analysis in Healthcare with Federated Survival Forests: A Comparative Study on Heart Failure and Breast Cancer Genomics // Future Generation Computer Systems. 2023. Vol. 149. Pp. 343–358. DOI:https://doi.org/10.1016/j.future.2023.07.036.
16. Powell J. L. Estimation of Semiparametric Models // Handbook of Econometrics. Volume IV / R. F. Engle, D. L. McFadden (eds.). Amsterdam: North-Holland Publishing, 1994. Pp. 2443–2521. DOI:https://doi.org/10.1016/S1573-4412(05)80010-8.
17. Assessing Performance and Clinical Usefulness in Prediction Models with Survival Outcomes: Practical Guidance for Cox Proportional Hazards Models / D. J. McLernon, D. Giardiello, B. Van Calster // Annals of Internal Medicine. 2023. Vol. 176, No. 1. Pp. 105–114. DOI:https://doi.org/10.7326/M22-0844.
18. Tao X., Wang M., Ji Y. The Application of Graph-Structured Cox Model in Financial Risk Early Warning of Companies // Sustainability. 2023. Vol. 15, Iss. 14. Art. No. 10802. 16 p. DOI:https://doi.org/10.3390/su151410802.
19. Gomez-Gonzalez J. E., Uribe J. M., Valencia O. M. Does Economic Complexity Reduce the Probability of a Fiscal Crisis? // World Development. 2023. Vol. 168. Art. No. 106250. 17 p. DOI:https://doi.org/10.1016/j.worlddev.2023.106250.
20. Viral Kinetics in Sylvatic Yellow Fever Cases / V. I. Avelino-Silva, M. V. Thomazella, M. P. Marmorato [et al.] // The Journal of Infectious Diseases. 2023. Vol. 227, Iss. 9. Pp. 1097–1103. DOI:https://doi.org/10.1093/infdis/jiac435.
21. Survival Analysis of Productive Life in Florida Dairy Goats Using a Cox Proportional Hazards Model / C. Ziadi, J. P. Sánchez, M. Sánchez [et al.] // Journal of Animal Breeding and Genetics. 2023. Vol. 140, Iss. 4. Pp. 431–439. DOI:https://doi.org/10.1111/jbg.12769.
22. High Social Risk and Mortality. A Prospective Study in Community-Dwelling Older Adults Living in a Rural Ecuadorian Village / O. H. Del Brutto, R. M. Mera, D. A. Rumbea [et al.] // Preventive Medicine Reports. 2023. Vol. 32. Art. No. 102146. 4 p. DOI:https://doi.org/10.1016/j.pmedr.2023.102146.
23. Papathanasiou D., Demertzis K., Tziritas N. Machine Failure Prediction Using Survival Analysis // Future Internet. 2023. Vol. 15, Iss. 5. Art. No. 153. 26 p. DOI:https://doi.org/10.3390/fi15050153.
24. Evaluating the Yield of Medical Tests / F. E. Harrell Jr., R. M. Califf, D. B. Pryor [et al.] // JAMA: The Journal of the American Medical Association. 1982. Vol. 247, No. 18. Pp. 2543–2546. DOI:https://doi.org/10.1001/jama.1982.03320430047030.
25. The Concordance Index Decomposition: A Measure for a Deeper Understanding of Survival Prediction Models / A. Alabdallah, M. Ohlsson, S. Pashami, T. Rögnvaldsson // Artificial Intelligence in Medicine. 2024. Vol. 148. Art. No. 102781. 10 p. DOI:https://doi.org/10.1016/j.artmed.2024.102781.
26. Pitfalls of the Concordance Index for Survival Outcomes / N. Hartman, S. Kim, K. He, J. D. Kalbfleisch // Statistics in Medicine. 2023. Vol. 42, Iss. 13. Pp. 2179–2190. DOI:https://doi.org/10.1002/sim.9717.
27. Румянцева Е. В., Фурманов К. К. Использование вневыборочных остатков Кокса — Снелл при прогнозировании наступления событий // Бизнес-информатика. 2021. T. 15, № 1. С. 7–18. DOI:https://doi.org/10.17323/2587-814X.2021.1.7.18.
28. Longato E., Vettoretti M., Di Camillo B. A Practical Perspective on the Concordance Index for the Evaluation and Selection of Prognostic Time-to-Event Models // Journal of Biomedical Informatics. 2020. Vol. 108. Art. No. 103496. 9 p. DOI:https://doi.org/10.1016/j.jbi.2020.103496.
29. Pencina M. J., D’Agostino R. B. Overall C as a Measure of Discrimination in Survival Analysis: Model Specific Population Value and Confidence Interval Estimation // Statistics in Medicine. 2004. Vol. 23, Iss. 13. Pp. 2109–2123. DOI:https://doi.org/10.1002/sim.1802.
30. A Convolutional Neural Network Model for Survival Prediction Based on Prognosis-Related Cascaded Wx Feature Selection / Q. Yin, W. Chen, C. Zhang, Z. Wei // Laboratory Investigation. 2022. Vol. 102, Iss. 10. Pp. 1064–1074. DOI:https://doi.org/10.1038/s41374-022-00801-y.
31. Свидетельство о государственной регистрации базы данных № 2016620331 Российская Федерация. База данных больных раком предстательной железы: опубл. 20.04.2016 / Г. М. Жаринов.
32. Rossi P. H., Berk R. A., Lenihan K. J. Money, Work, and Crime: Experimental Evidence. New York: Academic Press, 1980. 260 p.
33. Teng J. SEER Breast Cancer Data // IEEE Dataport. Last update 18.01.2019. DOI:https://doi.org/10.21227/a9qy-ph35.
