論文の概要: Survival Analysis Revisited: Understanding and Unifying Poisson, Exponential, and Cox Models in Fall Risk Analysis

• arxiv url: http://arxiv.org/abs/2501.03058v1
• Date: Mon, 06 Jan 2025 14:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:08:37.794432
• Title: Survival Analysis Revisited: Understanding and Unifying Poisson, Exponential, and Cox Models in Fall Risk Analysis
• Title（参考訳）: 生存分析の再考:転倒リスク分析におけるポアソン、指数、コックスモデルの理解と統一
• Authors: Tianhua Chen,
• Abstract要約: 本稿では,ロジスティック回帰,ポアソン回帰,指数回帰,Cox Proportional Hazardsモデルなど,重要な時間的確率分布と統計手法を再検討する。 これらのモデル間の関係の段階的導出と明確化は、生存モデルの単純さと解釈可能性を強化する。 転倒検出の文脈では、これらのモデルが転倒リスクを同時に予測し、寄与要因を分析し、結果の時間と結果を推定する方法が示される。
• 参考スコア（独自算出の注目度）: 2.251754456289066
• License:
• Abstract: This paper explores foundational and applied aspects of survival analysis, using fall risk assessment as a case study. It revisits key time-related probability distributions and statistical methods, including logistic regression, Poisson regression, Exponential regression, and the Cox Proportional Hazards model, offering a unified perspective on their relationships within the survival analysis framework. A contribution of this work is the step-by-step derivation and clarification of the relationships among these models, particularly demonstrating that Poisson regression in the survival context is a specific case of the Cox model. These insights address gaps in understanding and reinforce the simplicity and interpretability of survival models. The paper also emphasizes the practical utility of survival analysis by connecting theoretical insights with real-world applications. In the context of fall detection, it demonstrates how these models can simultaneously predict fall risk, analyze contributing factors, and estimate time-to-event outcomes within a single streamlined framework. In contrast, advanced deep learning methods often require complex post-hoc interpretation and separate training for different tasks particularly when working with structured numerical data. This highlights the enduring relevance of classical statistical frameworks and makes survival models especially valuable in healthcare settings, where explainability and robustness are critical. By unifying foundational concepts and offering a cohesive perspective on time-to-event analysis, this work serves as an accessible resource for understanding survival models and applying them effectively to diverse analytical challenges.
• Abstract（参考訳）: 本稿では,転倒リスク評価を事例として,生存分析の基礎的および応用的な側面について考察する。 これは、ロジスティック回帰、ポアソン回帰、指数回帰、コックス・プロポーショナル・ハザーズ・モデルなど、主要な時間関係の確率分布と統計的手法を再検討し、生存分析フレームワークにおけるそれらの関係について統一的な視点を提供する。 この研究の貢献は、これらのモデル間の関係の段階的導出と明確化であり、特に生存状況におけるポアソン回帰がコックスモデルの特定の場合であることを証明している。 これらの洞察は、生存モデルの単純さと解釈可能性の理解と強化のギャップに対処する。 また,理論的な洞察と実世界の応用を結びつけることで,生存分析の実用性を強調した。 転倒検出の文脈では、これらのモデルがフォールリスクを同時に予測し、コントリビューション要因を分析し、単一の合理化フレームワーク内での時間と結果の見積を行う方法を示している。 対照的に、高度なディープラーニング手法では複雑なポストホック解釈と、特に構造化された数値データを扱う場合の異なるタスクに対する個別の訓練を必要とすることが多い。 これは、古典的な統計フレームワークの持続的関連性を強調し、特に説明可能性と堅牢性が重要である医療環境において、サバイバルモデルを価値あるものにしている。 本研究は,基礎概念を統一し,時系列解析における密集的な視点を提供することにより,生存モデルを理解し,多種多様な分析課題に効果的に適用するためのアクセス可能な資源として機能する。

関連論文リスト

• HACSurv: A Hierarchical Copula-based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
  HACSurvは、競合するリスクを持つデータから構造や原因特異的生存関数を学習する生存分析手法である。 リスクと検閲の間の依存関係をキャプチャすることで、HACSurvはより良い生存予測を実現する。
  論文  参考訳（メタデータ） (2024-10-19T18:52:18Z)
• Interpretable Survival Analysis for Heart Failure Risk Prediction [50.64739292687567]
  現状の生存モデルと解釈可能かつ競合する新しい生存分析パイプラインを提案する。 我々のパイプラインは最先端のパフォーマンスを達成し、心不全のリスク要因に関する興味深い新しい洞察を提供する。
  論文  参考訳（メタデータ） (2023-10-24T02:56:05Z)
• Contrastive Learning of Temporal Distinctiveness for Survival Analysis in Electronic Health Records [10.192973297290136]
  本稿では,オントロジーを意識したテンポラリティに基づくコントラシブ・サバイバル(OTCSurv)分析フレームワークを提案する。 OTCSurvは、検閲されたデータと観察されたデータの両方から生存期間を使い、時間的特異性を定義する。 急性腎障害(AKI)を発症する危険のある入院患者のリスクを予測するために,大規模なEHRデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-08-24T22:36:22Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• Temporal Relevance Analysis for Video Action Models [70.39411261685963]
  まず,CNNに基づく行動モデルにより捉えたフレーム間の時間的関係を定量化する手法を提案する。 次に、時間的モデリングがどのように影響を受けるかをよりよく理解するために、包括的な実験と詳細な分析を行います。
  論文  参考訳（メタデータ） (2022-04-25T19:06:48Z)
• Adversarially Robust Estimate and Risk Analysis in Linear Regression [17.931533943788335]
  反対に堅牢な学習は、入力変数の小さな反対の摂動に対して堅牢なアルゴリズムを設計することを目指している。 逆ロバストな推定器の収束率を統計的に最小化することで,モデル情報の導入の重要性を強調する。 本研究では, モデル構造情報を活用することで, 素直な2段階の対人学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-18T14:55:55Z)
• Targeting Learning: Robust Statistics for Reproducible Research [1.1455937444848387]
  ターゲティング・ラーニング(Targeted Learning)は、因果推論、機械学習、統計理論の進歩を統一して、科学的に影響のある質問に統計的信頼性で答えるのに役立つ統計分野である。 ターゲット学習のロードマップは、仮説を最小化し、利用可能な科学的知識にのみ注意深く根ざすように、統計的手続きを調整することを強調する。
  論文  参考訳（メタデータ） (2020-06-12T17:17:01Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。