Prediktera med Cox PH-modellen

Överlevnadsanalys i Python

Shae Wang

Senior Data Scientist

Prediktera medianöverlevnadstider

Efter att ha anropat .fit() för att anpassa modellen till data:

.predict_median(): predikterar medianlivslängden för subjekt
- Om överlevnadskurvan inte skär 0,5 är medianöverlevnadstiden $\inf$.
Parametrar:
- X: den DataFrame som används för prediktion.
- conditional_after: en array eller lista med värden som anger hur länge subjekten redan har levt.

Prediktera medianöverlevnadstider

model.predict_median(X, conditional_after)

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

Prediktera överlevnadsfunktionen

.predict_survival_function(): predikterar överlevnadsfunktionen för subjekt utifrån deras kovariater.
Parametrar:
- X: den DataFrame som används för prediktion.
- conditional_after: en array eller lista med värden som anger hur länge subjekten redan har levt.

Prediktera överlevnadsfunktionen

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

Varför är överlevnadsprediktioner användbara?

Proaktiv felförebyggning, prognosmodeller m.m.

Viktiga steg

Förbehandla data och one-hot-koda kategoriska variabler.
Dela upp data i tränings- och testmängd (vanlig fördelning är 80 % träning och 20 % test).
- Andelen censurerad data bör vara liknande i båda mängderna.
Anpassa Cox PH-modellen till träningsdata.

Nu kör vi en övning!

Överlevnadsanalys i Python