論文の概要: Poisson Super Learning For Survival And Competing Risks On A Discretized Time Scale
- arxiv url: http://arxiv.org/abs/2611.03256v1
- Date: Mon, 02 Nov 2026 15:03:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 05:30:25.000254
- Title: Poisson Super Learning For Survival And Competing Risks On A Discretized Time Scale
- Title（参考訳）: Poisson Super Learning for Survival and Competing Risks on a Discretized Time Scale
- Abstract要約: 我々はPoisson Super Learnerを紹介した。これは拡張性のあるアンサンブル方式であり、右検閲データによるリスク予測と競合する。
2005年から2022年にかけて収集されたSteno Diabetes Centerのデータを用いて1型糖尿病患者の心血管疾患リスクを予測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce the Poisson Super Learner, a scalable ensemble method for survival and competing risks prediction with right-censored data. The approach exploits the correspondence between the likelihood of piecewise-constant hazard models and the Poisson likelihood. After expanding the data over a chosen time partition, candidate hazard learners are trained under a common Poisson loss, and cross-validated log-hazard predictions are combined by a Poisson meta learner. The resulting ensemble is a geometric combination of candidate hazards, and can be used to estimate survival probabilities and cause-specific absolute risks. The Poisson Super Learner framework is modular and can in principle incorporate any learner that can estimate interval-specific hazards, including parametric, penalised, additive, and other machine-learning hazard models. Training targets the cause-specific hazard directly and does not require explicit modelling of the censoring distribution. For competing risks, separate cause-specific ensembles are fitted and subsequently combined to obtain individualised cumulative incidence predictions. We illustrate the approach using data from the Steno Diabetes Center collected between 2005 and 2022 to predict cardiovascular disease risk in patients with type 1 diabetes from detailed covariate information. The applied analysis is complemented by simulation studies designed to reflect key features of the data and to examine the behaviour of the method under controlled settings. All analyses were implemented using the freely available R software package poissonsuperlearner.
- Abstract（参考訳）: 我々はPoisson Super Learnerを紹介した。これは拡張性のあるアンサンブル方式であり、右検閲データによるリスク予測と競合する。
このアプローチは、ピースワイズ・コンスタント・ハザードモデルの可能性と、ポアソン・ハザードモデルとの対応性を利用する。
選択した時間分割を超えてデータを拡張した後、候補のハザード学習者は共通のポアソン損失の下で訓練され、クロスバリデーションされたログハザード予測はポアソンメタ学習者によって結合される。
結果として生じるアンサンブルは、予測される危険の幾何学的組み合わせであり、生存確率と原因特異的絶対リスクを推定するために用いられる。
Poisson Super Learnerフレームワークはモジュラーであり、原則としてパラメトリック、ペナル化、添加物、その他の機械学習ハザードモデルを含む、インターバル固有のハザードを推定できる学習者を組み込むことができる。
トレーニングは、直接原因特異的なハザードをターゲットとし、検閲分布の明示的なモデリングを必要としない。
競合するリスクに対して、個別の原因特異的アンサンブルを取り付け、その後に組み合わせて、個別化された累積入射予測を得る。
本研究では,2005年から2022年にかけて収集されたSteno Diabetes Centerのデータを用いて,1型糖尿病患者の心血管疾患のリスクを予測する。
応用分析は,データの主要な特徴を反映し,制御条件下での手法の挙動を調べるシミュレーション研究によって補完される。
解析はすべて、利用可能なRソフトウェアパッケージpoissonsuperlearnerを使って実装された。
関連論文リスト
- Deep Survival Analysis for Competing Risk Modeling with Functional Covariates and Missing Data Imputation [13.108896747775063]
本稿では、競合リスク下での離散時間生存分析のための統合ディープラーニングフレームワークFCRNを紹介する。
関数データ表現のためのマイクロネットワークバス層と勾配ベースの計算モジュールを組み合わせることで、FCRNは、欠落した値をインプットし、イベント固有のハザードを予測することを同時に学習する。
論文 参考訳（メタデータ） (2025-09-29T18:33:00Z) - Debiased maximum-likelihood estimators for hazard ratios under kernel-based machine-learning adjustment [0.0]
本稿では,カーネルベースの機械学習を用いて,潜伏変数の有無にかかわらず設定されたリスクの変化を明示的にモデル化することを提案する。
数値シミュレーションにより,提案手法は最小バイアスで真のハザード比を同定することを確認した。
論文 参考訳（メタデータ） (2025-07-23T16:51:09Z) - 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) - 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) - 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) - What Distributions are Robust to Indiscriminate Poisoning Attacks for
Linear Learners? [15.848311379119295]
本研究では, 学習者に対する無差別な毒殺について検討し, 学習者に対して, 学習データにいくつかの工芸品を注入し, 誘導モデルに高い試験誤差を生じさせるよう強制することを目的とした。
そこで本研究では, 線形学習者に対して, 線形学習者に対する有害な攻撃を非差別化するために, データセットが本質的に堅牢であるかどうかを考察した。
論文 参考訳（メタデータ） (2023-07-03T14:54:13Z) - 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) - Deep Survival Machines: Fully Parametric Survival Regression and
Representation Learning for Censored Data with Competing Risks [14.928328404160299]
本稿では,検閲データを用いた時系列予測問題において,相対リスクを推定するための新しいアプローチについて述べる。
我々のアプローチは、基礎となる生存分布の一定の比例的ハザードの強い仮定を必要としない。
これは検閲の有無で競合するリスクを伴う生存時間を完全にパラメトリックに推定する最初の作品である。
論文 参考訳（メタデータ） (2020-03-02T20:21:59Z) - 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。