Cox PH modeliyle tahmin

Python ile Survival Analysis

Shae Wang

Senior Data Scientist

Medyan sağkalım sürelerini tahmin etme

.fit() ile modeli veriye uydurduktan sonra:

.predict_median(): denekler için medyan yaşam süresini tahmin eder.
- Sağkalım eğrisi 0,5’i kesmezse medyan süre $\inf$’dir.
Parametreler:
- X: tahmin için kullanılacak DataFrame.
- conditional_after: deneklerin hâlihazırda ne kadar yaşadığını gösteren dizi veya liste.

Medyan sağkalım sürelerini tahmin etme

model.predict_median(X, conditional_after)

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

Sağkalım fonksiyonunu tahmin etme

.predict_survival_function(): kovaryatlara göre deneklerin sağkalım fonksiyonunu tahmin eder.
Parametreler:
- X: tahmin için kullanılacak DataFrame.
- conditional_after: deneklerin hâlihazırda ne kadar yaşadığını gösteren dizi veya liste.

Sağkalım fonksiyonunu tahmin etme

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

Sağkalım tahminleri neden yararlıdır?

Arıza önleme, tahminleme modelleri vb.

Temel adımlar

Veriyi ön işleyin ve kategorik değişkenleri one-hot kodlayın.
Veriyi eğitim/test olarak ayırın (yaygın: %80 eğitim, %20 test).
- Sansürlü veri oranları her iki sette de benzer olmalıdır.
Cox PH modelini eğitime uydurun.

Haydi pratik yapalım!

Python ile Survival Analysis