Cox proportional hazards model
PulseAugur coverage of Cox proportional hazards model — every cluster mentioning Cox proportional hazards model across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
AI模型利用EHR和DXA数据预测骨折风险的表现优于FRAX
研究人员开发并验证了利用双能X射线吸收法（DXA）和电子健康记录（EHR）数据预测50岁以上成年人骨折风险的新模型。这些模型，包括惩罚Cox回归、随机生存森林、梯度提升生存和XGBoost生存，在区分能力上优于临床使用的FRAX评分。在内部验证中，扩展Cox模型达到了0.779的Harrell C指数，在外部验证中达到了0.714，而梯度提升生存模型在外部区分能力上最高，为0.725。建议在临床应用前进一步评估校准、前瞻性评估和实施工作流程。
-
用于临床研究中Cox回归的新AI偏差校正框架
研究人员开发了一种新的Cox比例风险模型偏差校正框架，该框架专门用于从非结构化临床记录中通过AI提取协变量的情况。该框架通过提供一种事后可应用于标准Cox软件输出的校正估计量，来解决AI提取错误引入的偏差。该方法还包括偏差调整置信区间和敏感性诊断，以评估潜在错误对推断的影响，并为数据供应商提供具体的报告规范。
-
新的潜在ODE模型增强了心脏MRI心力衰竭预测能力
研究人员开发了一种新颖的潜在动力学模型，使用神经常微分方程（ODE）来分析心脏磁共振成像（CMR）数据。该模型将双心室解剖结构和全周期动态运动编码到连续的潜在轨迹中，旨在比传统方法更准确地预测心力衰竭事件。该方法在对超过72,000名英国生物银行参与者进行的一项研究中显示出改进的预后性能，表明其在提供更丰富的心脏表型方面的潜力。
-
联邦学习在医疗生存分析领域展现潜力 · 追踪2个来源
一篇新论文评估了联邦学习在医疗生存分析中的应用，特别是在跨多个机构的乳腺癌数据集上。该研究使用FedAvg、FedProx和FedAdam等联邦优化策略，比较了三种生存模型（Cox比例风险模型、DeepSurv和Random Survival Forest）。结果表明，联邦学习方法在保护患者隐私的同时，其性能可以媲美甚至超越集中式方法。Random Survival Forest模型在准确性和鲁棒性方面取得了最佳平衡，其性能受到客户端…
-
新R包通过估计复杂风险情景下的治疗效果，助力个性化医疗
研究人员开发了一个名为`crsurvlearners`的新R包，以帮助估计竞争风险情景下的条件平均治疗效果（CATEs）。这在个性化医疗中尤其有用，因为在考虑其他潜在事件的同时，理解特定事件的治疗有效性至关重要。该包系统地比较了六种元学习器，这些学习器结合了不同的风险建模和直接CATE建模方法，并在各种模拟情景下评估它们的性能，以指导模型选择。
-
表格基础模型在时间序列预测方面展现出潜力
研究人员正在探索将表格基础模型（TFMs）应用于复杂的时间序列预测任务，特别是在预后与健康管理（PHM）和生存分析领域。这些模型通过上下文学习或特定预训练等方法适配时间序列数据，有望高效处理碎片化和审查数据。初步结果表明，TFMs 在低数据量场景下，其表现可能优于传统的序列模型甚至专门的生存分析技术。
-
KANs 推动生存分析，提出新型深度学习模型
研究人员开发了 KAPLAN-HR，一种基于 Kolmogorov-Arnold Networks (KANs) 的新型深度学习模型，用于生存分析。该模型可以估计协变量和时间的联合函数作为条件风险率，克服了传统方法需要手动指定复杂效应的局限性。在六个临床数据集上的评估表明，KAPLAN-HR 的性能与现有的统计和深度学习生存分析技术相当或更优。
-
AI推荐器通过可解释的洞察改进预测研究设计
研究人员开发了一个探索性AI推荐器，以辅助高维预测研究的设计，特别是在医疗保健领域。该框架使用灵活的AI来识别复杂的数据模式，并利用可解释的AI技术生成关于特征排除、非线性项和特征交互的建议。当应用于预测患者跌倒时，该系统建议排除23个特征并包含221个交互作用，从而将C指数从0.805提高到0.815。