論文の概要: A reproducible and extensible framework for benchmarking competing risks survival models
- arxiv url: http://arxiv.org/abs/2608.00271v1
- Date: Fri, 31 Jul 2026 20:24:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.565691
- Title: A reproducible and extensible framework for benchmarking competing risks survival models
- Title（参考訳）: 競合するリスクサバイバルモデルのベンチマークのための再現可能で拡張可能なフレームワーク
- Authors: Begoña B. Sierra, Colin McLean, Peter S. Hall, Sarah Friedrich-Welz, Catalina A. Vallejos,
- Abstract要約: 競合するリスクを伴う生存分析のために、幅広い統計的および機械学習手法が提案されている。
我々は、競合するリスクモデルのためのオープンソースのベンチマークフレームワークを開発した。
- 参考スコア（独自算出の注目度）: 0.2936007114555107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A wide range of statistical and machine learning methods have been proposed for survival analysis with competing risks, where the occurrence of one event (i.e., cancer death) precludes the occurrence of other events (i.e., cardiovascular disease death). Despite these methodological advances, their systematic evaluation and adoption are limited by the lack of comprehensive, reproducible and extensible benchmarking frameworks. We developed an open-source benchmarking framework for competing risks models that enables their systematic comparison across multiple datasets under different aspects of performance; calibration, discrimination, overall prediction error and clinical utility. We additionally introduce an extension of SHAP for competing risks, allowing model-agnostic interpretability of covariates contributions over time. All our code is publicly available via GitHub:https://github.com/BBolosSierra/CompRisksBenchmark
- Abstract（参考訳）: 競合するリスクを伴う生存分析のために、様々な統計学的および機械学習手法が提案されており、1つの事象(がん死)が他の事象(心臓血管疾患死)の発生を妨げている。
これらの方法論的な進歩にもかかわらず、それらの体系的な評価と採用は、包括的で再現可能で拡張可能なベンチマークフレームワークの欠如によって制限されている。
我々は、性能の異なる複数のデータセットに対して、キャリブレーション、識別、全体的な予測エラー、臨床ユーティリティを体系的に比較できる、競合するリスクモデルのためのオープンソースのベンチマークフレームワークを開発した。
さらに、競合するリスクに対するSHAPの拡張も導入し、共変量に対するモデル非依存的な解釈可能性を実現する。
私たちのコードはGitHubで公開されています。
関連論文リスト
- SHARP: Social Harm Analysis via Risk Profiles for Measuring Inequities in Large Language Models [0.5599792629509229]
本稿では,リスクプロファイルを用いた社会的ハーム分析について紹介する。
同様の平均リスクを持つモデルでは、尾の露出とボラティリティの2倍以上の違いが示される。
論文 参考訳（メタデータ） (2026-01-29T03:54:25Z) - Risk-averse Fair Multi-class Classification [0.42970700836450487]
我々は,コヒーレントリスク尺度とシステムリスクの理論に基づく新たな分類枠組みを開発する。
提案手法は,データがノイズが多く,(問題の次元に対して)不足していて,ラベル付けが信頼性に欠ける場合に,複数のクラスに適している。
論文 参考訳（メタデータ） (2025-09-06T16:54:00Z) - Survival Models: Proper Scoring Rule and Stochastic Optimization with Competing Risks [6.9648613217501705]
SurvivalBoostは、4つの実生活データセットで12の最先端モデルを上回っている。
優れたキャリブレーション、任意の時間軸にわたって予測する機能、既存のメソッドよりも高速な計算時間を提供する。
論文 参考訳（メタデータ） (2024-10-22T07:33:34Z) - HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks [51.95824566163554]
本稿では,階層型アルキメデスコピュラス構造を学習する生存分析手法であるHACSurvを紹介する。
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は生存予測の精度を向上させる。
論文 参考訳（メタデータ） (2024-10-19T18:52:18Z) - A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [89.92916473403108]
本稿では,新しい手法のモジュラーフレームワークであるADerの総合的な視覚異常検出ベンチマークを提案する。
このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。
我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
論文 参考訳（メタデータ） (2024-06-05T13:40:07Z) - A Multiple kernel testing procedure for non-proportional hazards in
factorial designs [4.358626952482687]
本稿では,複数の因子が同時に興味を持つ場合の生存率を推定するマルチカーネルテスト手法を提案する。
我々の手法は複雑なデータを扱うことができ、比例性のような仮定を正当化できない場合、全正規の Cox モデルに代わるものとして見ることができる。
論文 参考訳（メタデータ） (2022-06-15T01:53:49Z) - Mitigating multiple descents: A model-agnostic framework for risk
monotonization [84.6382406922369]
クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。
本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
論文 参考訳（メタデータ） (2022-05-25T17:41:40Z) - DeepHazard: neural network for time-varying risks [0.6091702876917281]
生存予測のための新しいフレキシブルな手法,DeepHazardを提案する。
我々のアプローチは、時間内に添加物としてのみ制限される、広範囲の継続的なハザード形態に適合している。
数値的な例では,我々の手法は,C-インデックス計量を用いて評価された予測能力において,既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2020-07-26T21:01:49Z) - 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)
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。