生存分析或事件时间分析是医疗保健研究中的重要且普遍存在的问题。医学研究由于其简单性和解释性而在传统上取决于Cox模型的生存分析。COX模型会随着时间的流逝具有对数线性危害函数和比例危害,并且在这些临时失败时会表现不佳。基于机器学习的新生存模型避免了这些假设并提供了提高的准确性,但有时以模型可解释性为代价,这是临床使用的活动。我们提出了一条新型的生存分析管道,该管道既可以解释又具有最先进的生存模式。具体来说,我们使用改进的生存堆叠版本将生存分析问题转化为分类问题,控制权以执行特征选择,并显然可以提升机器,以产生可靠的相互预测。为了评估我们的管道,我们使用大型EHR数据库预测心力衰竭的风险。我们的管道实现了最新的性能,并提供了有关心力衰竭危险因素的互动和新颖的见解。
主要关键词
![arxiv:2310.15472v1 [cs.lg] 2023年10月24日PDF文件第1页](/bimg/d/d8277951ef4b54337cf88d999ece59bad36fc361.webp)
![arxiv:2310.15472v1 [cs.lg] 2023年10月24日PDF文件第2页](/bimg/b/b2bd1aac7811ebcc6eedea01f544daa6b9b55c6c.webp)
![arxiv:2310.15472v1 [cs.lg] 2023年10月24日PDF文件第3页](/bimg/8/87ff92a942d3418f8aa7aa40feb71e9fa8563fcf.webp)
![arxiv:2310.15472v1 [cs.lg] 2023年10月24日PDF文件第4页](/bimg/d/df8e2ee5cca6aa65cad68829eaa7987dadea105e.webp)
![arxiv:2310.15472v1 [cs.lg] 2023年10月24日PDF文件第5页](/bimg/5/54d90caacc88d837d01d39538a9104fc7ece7c3a.webp)
