Bağ değişkenli Weibull modeli

Python ile Survival Analysis

Shae Wang

Senior Data Scientist

Sağkalım fonksiyonlarını karşılaştırma

Grupları Kaplan-Meier tahmin ediciyle karşılaştırın:

Apartman ve ev için Kaplan-Meier sağkalım eğrileri.

Grupları log-rank testiyle karşılaştırın:

<lifelines.StatisticalResult: logrank_test>
 null_distribution = chi squared
degrees_of_freedom = 1
         test_name = logrank_test
 test_statistic    p  -log2(p)
           0.09 0.77      0.38

S: Bir veya birden çok sürekli değişkenin sağkalım fonksiyonunu etkileyip etkilemediğini/nasıl etkilediğini nasıl değerlendiririz?

Sağkalım regresyonu

Bağ değişkenleriyle sağkalım fonksiyonlarını modelleyen bir yöntem
Her bağ değişkeninin sağkalımı nasıl etkilediğini niceler

$$Y_i=f(X_i,\beta)$$

$$Y_i: \text{süreler}, X_i: \text{bağ değişkenleri}$$

Örnek bağ değişkenleri: yaş, kilo, ülke

Hızlandırılmış Arıza Zamanı (AFT) modeli

$$\text{A popülasyonu}: S_A(t)$$

$$\text{B popülasyonu}: S_B(t)$$

$$S_A(t)=S_B(t*\lambda)$$

$S_B(t)$, $S_A(t)$ üzerinde $\lambda$ katsayısıyla hızlanır ya da yavaşlar.
AFT, bu hızlanma/yavaşlama ilişkisini bağ değişkenlerine göre modeller.
Bir bağ değişkeni $a$’dan $b$’ye değiştiğinde, olay zamanını hızlandıran/yavaşlatan oran $\lambda$ olur.
Örnek: $S_{dog}(t)=S_{human}(t*7)$

Sağkalım regresyonu için veriler

DataFrame örneği: mortgage_df

id	property_type	principal	interest	property_tax	credit_score	duration	paid_off
1	house	1275	0.035	0.019	780	25	0
2	apartment	756	0.028	0.020	695	17	1
3	apartment	968	0.029	0.017	810	5	0
...	...	...	...	...	...	...	...
1000	house	1505	0.041	0.023	750	30	1

Weibull ile AFT’yi birleştirme: Weibull AFT modeli

DataFrame: mortgage_df
Bağ değişkenleri:
- property_type kukla değişkenle değiştirilir:
  - house: "house" ise 1, "apartment" ise 0
- principal
- interest
- property_tax
- credit_score

WeibullAFTFitter sınıfını içe aktarın ve başlatın

from lifelines import WeibullAFTFitter
aft = WeibullAFTFitter()

Tahminleyiciyi veriye uydurmak için .fit() çağırın

aft.fit(df=mortgage_df,
     duration_col="duration",
     event_col="paid_off")

Model çıktısını yorumlama

print(aft.summary)

<lifelines.WeibullAFTFitter: fitted with 1808 observations, 340 censored>
                      coef  exp(coef)  se(coef)      z       p
lambda_ house         0.04       1.04      0.01   0.99    0.32  
        principal    -0.03       0.97      0.22  -1.04    0.30  
        interest      0.11       1.11      0.15   1.96    0.05  
        property_tax  0.31       1.36      0.27   1.15    0.25  
        credit_score -0.16       0.85      0.14  -2.33    0.02  
        Intercept     3.99      54.06      0.41   9.52 <0.0005   
rho_    Intercept     0.34       1.40      0.08   3.80 <0.0005

Özel formüllü WeibullAFTFitter

Özel bağ değişkenleri için formula kullanımı:

aft.fit(df=mortgage_df,
        duration_col="duration",
        event_col="paid_off",
        formula="principal + interest * house")

Etkileşim terimli doğrusal modele benzer:

$\beta_1$principal$+\beta_2$interest$+\beta_3$house$+\beta_4$interest$\cdot$house

Model çıktısını yorumlama

print(aft.summary)

<lifelines.WeibullAFTFitter: fitted with 1808 observations, 340 censored>
                       coef  exp(coef)  se(coef)      z       p
lambda_ principal     -0.03       0.97      0.22  -1.04    0.30     
        interest       0.11       1.11      0.15   1.96    0.05  
        house          0.04       1.04      0.01   0.99    0.32  
        interest:house 0.06       1.06      0.14   0.42    0.64
        Intercept      3.99      54.06      0.41   9.52 <0.0005   
rho_    Intercept      0.34       1.40      0.08   3.80 <0.0005

Ayo berlatih!

Python ile Survival Analysis