Konforme Vorhersageintervalle in der Überlebensanalyse: Ein Re-Sampling-Ansatz

Die distributionsfreie Methode der konformen Vorhersage (Vovk et al, 2005) hat in der Informatik, im maschinellen Lernen und in der Statistik beträchtliche Aufmerksamkeit erlangt. Candes et al. (2023) erweiterten diese Methode auf rechtszensorierte Überlebensdaten und gingen auf die Komplexität der Rechtszensierung ein, indem sie eine Kovariaten-Verschiebungsumgebung schufen und eine Subkohorte von Probanden mit Zensierungszeiten, die einen festen Schwellenwert überschreiten, extrahieren. Ihr Ansatz schätzt nur die untere Vorhersagegrenze für Typ-I-Zensierung, bei der allen Probanden verfügbare Zensierungszeiten unabhängig von ihrem Ausfallstatus vorliegen. In medizinischen Anwendungen begegnen wir häufig allgemeineren rechtszensorierten Daten, bei denen nur das Minimum der Ausfallzeit und der Zensierungszeit beobachtet wird. Probanden mit beobachteten Ausfallzeiten haben keine verfügbaren Zensierungszeiten. Um dies anzugehen, schlagen wir eine Bootstrap-Methode vor, um ein- sowie zweiseitige konforme Vorhersageintervalle für allgemeine rechtszensorierte Überlebensdaten unter verschiedenen Arbeitsregressionsmodellen zu konstruieren. Durch Simulationen zeigt unsere Methode eine ausgezeichnete durchschnittliche Abdeckung für die untere Grenze und eine gute Abdeckung für das zweiseitige Vorhersageintervall, unabhängig davon, ob das Arbeitsmodell korrekt spezifiziert ist oder nicht, insbesondere bei moderater Zensierung. Darüber hinaus erweitern wir die vorgeschlagene Methode in mehrere Richtungen in medizinischen Anwendungen. Wir wenden diese Methode an, um die zukünftigen Überlebenszeiten von Brustkrebspatientinnen basierend auf Tumoreigenschaften und Behandlung vorherzusagen.