論文の概要: comprisk: A scikit-learn-compatible Python toolkit for competing-risks survival analysis
- arxiv url: http://arxiv.org/abs/2607.09431v1
- Date: Fri, 10 Jul 2026 13:57:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.856789
- Title: comprisk: A scikit-learn-compatible Python toolkit for competing-risks survival analysis
- Title（参考訳）: comprisk: 競合リスクサバイバル分析のためのScikit-learn互換のPythonツールキット
- Abstract要約: compriskはScikit-learn互換のPythonツールキットで、標準的な競合リスクメソッドを統合する。
compriskはPyPI上に配布されており、応用研究者がPythonの科学スタック内で完全に競合リスク分析を行うことができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical time-to-event data are frequently subject to competing risks, where the occurrence of one terminal event precludes the others and standard survival methods that treat competing events as censoring yield biased absolute-risk estimates. Correct analysis instead targets the cause-specific cumulative incidence function (CIF). This methodology has been available to applied researchers almost exclusively through R packages, forcing Python-based machine-learning workflows into a Python-to-R round trip. We present comprisk, a scikit-learn-compatible Python toolkit that consolidates the canonical competing-risks methods (a scalable competing-risks random survival forest together with Fine-Gray subdistribution-hazard regression including a penalized variant, cause-specific Cox regression, the Aalen-Johansen CIF estimator, and Gray's K-sample test) behind a single, consistent API, and adds competing-risks-aware model evaluation (inverse probability of censoring weighted time-dependent AUC and Brier score, cause-specific concordance indices with closed-form confidence intervals, and calibration curves). Every estimator is validated numerically against the established R reference implementations. The forest uses a histogram-based, numba-compiled split kernel that fits 10-22x faster than randomForestSRC at comparable discrimination on real electronic-health-record cohorts and scales to n = 10^6 on a consumer CPU. comprisk is distributed on PyPI and lets applied researchers perform correct and scalable competing-risks analysis entirely within the Python scientific stack.
- Abstract（参考訳）: 医学的時間とイベントのデータはしばしば競合するリスクに晒され、1つの端末イベントの発生が他の端末を妨害し、競合するイベントを収率の偏りのある絶対リスクの推定を検閲する標準的な生存方法を妨げている。
正しい分析は、原因特異的累積頻度関数(CIF)をターゲットにしている。
この方法論は、Pythonベースの機械学習ワークフローをPython-to-Rラウンドトリップに強制するRパッケージを通じて、応用研究者にほぼ独占的に提供されている。
我々は,一貫した一貫したAPIの背後に,シンキトラーン互換のPythonツールキットである comprisk を,標準的競合リスク手法(ファイン・グレイ・サブディストリビューション・ハザード回帰を伴うスケーラブルな競合リスク・サバイバル森)を統合し,競合リスク・アウェアモデル評価(重み付き時間依存型AUCとBrierスコアの抑制の逆確率,閉形式信頼区間とキャリブレーション曲線を含むファイン・グレイ・サブディストリビューション・ハザード回帰)を付加する。
各推定器は、確立されたR参照実装に対して数値的に検証される。
このフォレストはヒストグラムベースの、ヌンバコンパイルされたスプリットカーネルを使用し、実際の電子健康記録コホート上では、ランダムフォレストSRCよりも10-22倍高速で、消費者向けCPUではn = 10^6にスケールする。
compriskはPyPI上に配布されており、応用研究者はPythonの科学スタック内で、正確でスケーラブルな競合リスク分析を行うことができる。
関連論文リスト
- Gradient Boosted Risk Scores [0.45835414225547183]
リスクスコアは、機械学習モデルの解釈可能で実行可能なクラスである。
本稿では,コンパクトで予測可能なリスクスコアを構築するための,シンプルで効果的なアプローチを提案する。
提案手法は,回帰に基づく代替よりもはるかにコンパクトなスコアを出力しながら,競争力のある予測性能を実現する。
論文 参考訳（メタデータ） (2026-05-04T13:44:23Z) - genriesz: A Python Package for Automatic Debiased Machine Learning with Generalized Riesz Regression [6.44705221140412]
我々は、自動DMLと一般化されたRiesz回帰を実装したオープンソースのPythonパッケージであるgenrieszを紹介する。
genrieszは、一般化されたリース回帰推定器がバランス(モーメントマッチング)最適条件を満たすように、互換性のあるリンク関数を自動で構築する。
論文 参考訳（メタデータ） (2026-02-19T16:58:40Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - RandALO: Out-of-sample risk estimation in no time flat [5.231056284485742]
クロスバリデーション(CV)は、リスク推定のデファクトスタンダードとして機能するが、計算コスト(リーブ・ワン・アウト・CV)に対して高いバイアス(K$fold CV)の取引が不十分である。
本稿では,高次元におけるリスクの一貫した推定器であるとともに,計算コストも$K$-fold CVよりも低いランダム化された約1回のリスク推定器を提案する。
論文 参考訳（メタデータ） (2024-09-15T16:10:03Z) - Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。
さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
論文 参考訳（メタデータ） (2024-08-08T17:27:29Z) - Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。
本稿では,ユーザの目標が目標間隔として指定される設定について検討する。
我々は、共形予測を反転させて確率推定を計算する。
論文 参考訳（メタデータ） (2022-11-29T18:41:20Z) - PyDTS: A Python Package for Discrete-Time Survival (Regularized)
Regression with Competing Risks [0.5735035463793008]
PyDTSは、離散時間生存データのための半パラメトリック競合リスクモデルをシミュレーション、推定、評価するためのパッケージである。
シミュレーション研究はパッケージの柔軟性と正確性を示している。
論文 参考訳（メタデータ） (2022-04-12T11:58:26Z) - Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。
PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
論文 参考訳（メタデータ） (2022-01-26T19:59:14Z) - CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。
CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。
我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-10-26T20:14:30Z) - Predict then Interpolate: A Simple Algorithm to Learn Stable Classifiers [59.06169363181417]
Predict then Interpolate (PI) は環境全体にわたって安定な相関関係を学習するためのアルゴリズムである。
正しい予測と間違った予測の分布を補間することにより、不安定な相関が消えるオラクル分布を明らかにすることができる。
論文 参考訳（メタデータ） (2021-05-26T15:37:48Z)
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。