Prevendo com o modelo Cox PH

Análise de Sobrevivência em Python

Shae Wang

Senior Data Scientist

Prever tempos medianos de sobrevivência

Depois de chamar .fit() para ajustar o modelo aos dados:

.predict_median(): prevê as medianas de sobrevivência dos indivíduos
- Se a curva de sobrevivência não cruza 0.5, a mediana é $\inf$.
Parâmetros:
- X: o DataFrame para prever.
- conditional_after: array ou lista com quanto tempo os indivíduos já viveram.

Prever tempos medianos de sobrevivência

model.predict_median(X, conditional_after)

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

Prever a função de sobrevivência

.predict_survival_function(): prevê a função de sobrevivência dos indivíduos, dadas suas covariáveis.
Parâmetros:
- X: o DataFrame para prever.
- conditional_after: array ou lista com quanto tempo os indivíduos já viveram.

Prever a função de sobrevivência

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

Por que previsões de sobrevivência são úteis?

Prevenção proativa de falhas, modelos de previsão etc.

Etapas principais

Pré-processar os dados e aplicar one-hot em variáveis categóricas.
Dividir em treino e teste (comum: 80% treino, 20% teste).
- As proporções de censura devem ser semelhantes em ambos os conjuntos.
Ajustar o modelo Cox PH no treino.

Vamos praticar!

Análise de Sobrevivência em Python