Prédire avec le modèle de Cox PH

Analyse de survie en Python

Shae Wang

Senior Data Scientist

Prédire les temps de survie médians

Après avoir appelé .fit() pour ajuster le modèle aux données :

.predict_median() : prédit les durées médianes pour les sujets
- Si la courbe de survie ne croise pas 0,5, la survie médiane vaut $\inf$.
Paramètres :
- X : le DataFrame à utiliser pour la prédiction.
- conditional_after : un tableau ou une liste indiquant depuis combien de temps les sujets ont déjà vécu.

Prédire les temps de survie médians

model.predict_median(X, conditional_after)

0       inf
1      44.0
2      46.0
3       inf
4      48.0
       ... 
500     inf

Prédire la fonction de survie

.predict_survival_function() : prédit la fonction de survie des sujets selon leurs covariables.
Paramètres :
- X : le DataFrame à utiliser pour la prédiction.
- conditional_after : un tableau ou une liste indiquant depuis combien de temps les sujets ont déjà vécu.

Prédire la fonction de survie

model.predict_survival_function(X, conditional_after)

              0           1           2           3           4         ...         500
1.0    0.997616    0.993695    0.994083    0.999045    0.997626         ...    0.998865    0.997827    0.995453    0.997462    ...    0.997826    0.996005    0.996031    0.997774    0.998892    0.999184    0.997033    0.998866    0.998170    0.998610
2.0    0.995230    0.987411    0.988183    0.998089    0.995250         ...    0.997728    0.995653    0.990914    0.994922    ...    0.995649    0.992014    0.992067    0.995547    0.997782    0.998366    0.994065    0.997730    0.996337    0.997217
3.0    0.992848    0.981162    0.982314    0.997133    0.992878         ...    0.996592    0.993482    0.986392    0.992388    ...    0.993476    0.988037    0.988115    0.993324    0.996673    0.997548    0.991105    0.996595    0.994507    0.995826
4.0    0.990468    0.974941    0.976468    0.996176    0.990507         ...    0.995455    0.991311    0.981882    0.989855    ...    0.991304    0.984067    0.984171    0.991100    0.995563    0.996729    0.988147    0.995458    0.992676    0.994433
5.0    0.988085    0.968739    0.970639    0.995216    0.986392         ...    0.993476

Pourquoi ces prédictions de survie sont-elles utiles ?

Prévention proactive des pannes, modèles de prévision, etc.

Étapes clés

Prétraiter les données et appliquer un one-hot encoding aux variables catégorielles.
Diviser en apprentissage et test (classique : 80 % apprentissage, 20 % test).
- Les proportions de données censurées doivent être similaires dans les deux ensembles.
Ajuster le modèle de Cox PH sur l'ensemble d'apprentissage.

Passons à la pratique !

Analyse de survie en Python