Prédire avec le modèle de Cox PH

Analyse de survie en Python

Shae Wang

Senior Data Scientist

Prédire les temps médians de survie

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

.predict_median() : prédit les médianes de survie des sujets
- Si la courbe de survie ne croise pas 0,5, la médiane est $\inf$.
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 survécu.

Prédire les temps médians de survie

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 survécu.

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 encoder en one‑hot les variables catégorielles.
Scinder en entraînement et test (souvent 80 % entraînement, 20 % test).
- Les proportions de données censurées doivent être similaires dans les deux ensembles.
Ajuster le modèle de Cox PH sur l'entraînement.

Passons à la pratique !

Analyse de survie en Python