การพยากรณ์ด้วยโมเดล Cox PH

Survival Analysis ด้วย Python

Shae Wang

Senior Data Scientist

พยากรณ์เวลา survival มัธยฐาน

หลังจากเรียก .fit() เพื่อ fit โมเดลกับข้อมูลแล้ว:

.predict_median(): พยากรณ์ค่ามัธยฐานอายุขัยของแต่ละ subject
- หาก survival curve ไม่ตัดค่า 0.5 เวลา survival มัธยฐานจะเป็น $\inf$
พารามิเตอร์:
- X: DataFrame ที่ใช้พยากรณ์
- conditional_after: array หรือ list ของค่าที่แสดงว่าแต่ละ subject มีชีวิตอยู่มาแล้วนานเท่าใด

พยากรณ์เวลา survival มัธยฐาน

model.predict_median(X, conditional_after)

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

พยากรณ์ survival function

.predict_survival_function(): พยากรณ์ survival function ของแต่ละ subject จาก covariate ของพวกเขา
พารามิเตอร์:
- X: DataFrame ที่ใช้พยากรณ์
- conditional_after: array หรือ list ของค่าที่แสดงว่าแต่ละ subject มีชีวิตอยู่มาแล้วนานเท่าใด

พยากรณ์ survival function

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

ทำไมการพยากรณ์ survival จึงมีประโยชน์?

ช่วยป้องกันความล้มเหลวเชิงรุก สร้างโมเดลพยากรณ์ ฯลฯ

ขั้นตอนสำคัญ

ประมวลผลข้อมูลและ one-hot encode ตัวแปรเชิงกลุ่มที่มีอยู่
แบ่งข้อมูลเป็น train และ test (อัตราส่วนที่นิยมคือ 80% train และ 20% test)
- สัดส่วนของข้อมูล censored ควรใกล้เคียงกันทั้งสองชุด
Fit โมเดล Cox PH กับชุด train

มาฝึกกันเถอะ!

Survival Analysis ด้วย Python