В сфере медицинских исследований понимание факторов, влияющих на время до рецидива (TTR), имеет решающее значение для разработки эффективных стратегий лечения. Анализ выживания предоставляет ценные инструменты для анализа таких данных, где результат выживания измеряется TTR. В этой статье блога мы рассмотрим различные методы прогнозирования TTR с помощью анализа выживания, уделяя особое внимание разговорным объяснениям и примерам кода.

1. Оценщик Каплана-Мейера:
   Оценщик Каплана-Мейера — это непараметрический метод, используемый для оценки функции выживания на основе данных о времени до события. Он обеспечивает визуальное представление кривой выживания, которая иллюстрирует вероятность возникновения события с течением времени. Давайте посмотрим на фрагмент кода ниже, чтобы вычислить и построить оценщик Каплана-Мейера с использованием библиотеки жизненных линий Python:

from lifelines import KaplanMeierFitter
# Creating KaplanMeierFitter object
kmf = KaplanMeierFitter()
# Fitting survival data
kmf.fit(lrfs, event_observed=lrr)
# Plotting the survival curve
kmf.plot()

1. Модель пропорциональных рисков Кокса:
   Модель пропорциональных рисков Кокса — это популярная модель полупараметрической регрессии, которая оценивает влияние функции риска на выживание. Это позволяет нам оценить влияние нескольких ковариат на TTR с учетом цензуры. Вот пример реализации модели Кокса с использованием библиотеки линий жизни:

from lifelines import CoxPHFitter
# Creating CoxPHFitter object
cph = CoxPHFitter()
# Fitting the Cox model
cph.fit(data, 'lrfs', event_col='lrr')
# Retrieving the estimated coefficients
cph.print_summary()

1. Случайные леса выживания:
   Случайные леса выживания сочетают анализ выживания со случайными лесами, что делает их пригодными для обработки сложных взаимодействий и нелинейных отношений в данных. Этот метод ансамблевого обучения может обрабатывать многомерные данные и устойчив к выбросам. Давайте посмотрим, как реализовать случайные леса выживания с помощью библиотеки линий жизни:

from lifelines import RandomSurvivalForest
# Creating RandomSurvivalForest object
rsf = RandomSurvivalForest()
# Fitting the Random Survival Forest model
rsf.fit(data, 'lrfs', event_col='lrr')
# Predicting the survival probabilities
survival_probs = rsf.predict_survival_function(data)

Анализ выживаемости дает ценную информацию о прогнозировании времени до рецидива в медицинских исследованиях. В этой статье мы исследовали три популярных метода: оценщик Каплана-Мейера, модель пропорциональных рисков Кокса и случайные леса выживания. Эти методы можно реализовать с использованием различных языков программирования и библиотек, например Python с пакетом Lifelines. Используя эти методы, исследователи и практики могут получить более глубокое понимание факторов, влияющих на время до рецидива, и разработать более эффективные стратегии лечения.