दुर्लभ घटनाओं के लिए भविष्यवक्ता मॉडलों को विकसित करने के लिए दंडित जीवित रहने के तरीकों का मूल्यांकन

जीवित रहने के परिणामों के लिए भविष्यवक्ता मॉडल अक्सर मानक जीवित रहने की प्रतिगमन मॉडलों को प्रतिनिधि डेटासेट पर फिट करके विकसित किए जाते हैं, जैसे कि कॉक्स गुणात्मक खतरों का मॉडल। हालाँकि, यदि डेटासेट में कम घटनाएँ होती हैं, तो ये मॉडल अविश्वसनीय हो सकते हैं, जो तब हो सकता है जब या तो बीमारी या रुचि की घटना दुर्लभ हो।विशेष समस्याओं में अत्यधिक भविष्यवाणियों और कम-जोखिम और उच्च-जोखिम मरीजों के बीच Poor भेदभाव शामिल हैं। इस पत्र का उद्देश्य तीन मौजूदा दंडित तरीकों का मूल्यांकन करना है जिन्हें भविष्यवाणी की सटीकता में सुधार करने के लिए प्रस्तावित किया गया है। विशेष रूप से, ridge, lasso और garotte, जो दंडित अधिकतम संभावना का उपयोग करते हैं ताकि गुणांक अनुमान कम हो सकें और कुछ मामलों में पूर्वानुमानकर्ताओं को पूरी तरह से छोड़ दिया जाए, दो नैदानिक डेटासेट से प्राप्त अनुकरण डेटा का उपयोग करके मूल्यांकित किए गए हैं। इन तरीकों का उपयोग करके प्राप्त भविष्यवाणियाँ उन कॉक्स मॉडलों के साथ तुलना की जाती हैं जो मानक अधिकतम संभावना का उपयोग करके फिट किए जाते हैं। अनुकरण परिणाम इस बात का सुझाव देते हैं कि अधिकतम संभावना का उपयोग करके फिट किए गए कॉक्स मॉडल तब Poor प्रदर्शन कर सकते हैं जब घटनाएँ कम हों, और कि एक दंडित मॉडलिंग दृष्टिकोण अपनाकर महत्वपूर्ण सुधार संभव हैं। ridge विधि सामान्यतः सर्वश्रेष्ठ प्रदर्शन करती है, हालाँकि यदि चर चयन की आवश्यकता हो तो lasso की सिफारिश की जाती है।