ترجمه فارسی مقاله فواصل پیش بینی منسجم در تجزیه و تحلیل بقا: یک رویکرد نمونه گیری مجدد

چکیده

The distribution-free method of conformal prediction (Vovk et al, 2005) has gained considerable attention in computer science, machine learning, and statistics. Candes et al. (2023) extended this method to right-censored survival data, addressing right-censoring complexity by creating a covariate shift setting, extracting a subcohort of subjects with censoring times exceeding a fixed threshold. Their approach only estimates the lower prediction bound for type I censoring, where all subjects have available censoring times regardless of their failure status. In medical applications, we often encounter more general right-censored data, observing only the minimum of failure time and censoring time. Subjects with observed failure times have unavailable censoring times. To address this, we propose a bootstrap method to construct one — as well as two-sided conformal predictive intervals for general right-censored survival data under different working regression models. Through simulations, our method demonstrates excellent average coverage for the lower bound and good coverage for the two-sided predictive interval, regardless of working model is correctly specified or not, particularly under moderate censoring. We further extend the proposed method to several directions in medical applications. We apply this method to predict breast cancer patients’ future survival times based on tumour characteristics and treatment.

چکیده به فارسی (ترجمه ماشینی)

روش بدون توزیع پیش بینی کنفورماسی (Vovk و همکاران ، 2005) در علوم کامپیوتر ، یادگیری ماشین و آمار مورد توجه قابل توجهی قرار گرفته است.آب نبات و همکاران.(2023) این روش را به داده های بقا با سانسور راست گسترش داد ، و با ایجاد یک تنظیم تغییر متغیر ، پیچیدگی سانسور راست را برطرف کرد ، استخراج یک زیر مجموعه از افراد با زمان سانسور بیش از یک آستانه ثابت.رویکرد آنها فقط پیش بینی پایین تر برای سانسور نوع I را تخمین می زند ، جایی که همه افراد بدون در نظر گرفتن وضعیت شکست آنها ، زمان سانسور را در دسترس دارند.در کاربردهای پزشکی ، ما اغلب با داده های سانسور شده عمومی تر روبرو می شویم و فقط حداقل زمان خرابی و زمان سانسور را مشاهده می کنیم.افراد با زمان خرابی مشاهده شده ، زمان سانسور در دسترس ندارند.برای پرداختن به این موضوع ، ما یک روش bootstrap را برای ساخت یک-و همچنین فواصل پیش بینی کننده دو طرفه برای داده های بقاء سانسور شده راست راست تحت مدلهای مختلف رگرسیون کار پیشنهاد می کنیم.از طریق شبیه سازی ، روش ما پوشش متوسط ​​بسیار خوبی را برای پوشش محدود و خوب برای بازه پیش بینی دو طرفه نشان می دهد ، صرف نظر از مدل کار به درستی مشخص شده یا خیر ، به خصوص در سانسور متوسط.ما بیشتر روش پیشنهادی را به چندین جهت در برنامه های پزشکی گسترش می دهیم.ما این روش را برای پیش بینی زمان بقای آینده بیماران مبتلا به سرطان پستان بر اساس ویژگی های تومور و درمان استفاده می کنیم.