DeepSurv
DeepSurv es un enfoque de red neuronal profunda para el análisis de supervivencia que aprende distribuciones de supervivencia personalizadas directamente a partir de los datos. Introducido por Katzman et al. en 2018, extiende el modelo de riesgos proporcionales de Cox utilizando aprendizaje profundo para capturar relaciones complejas y no lineales entre covariables y resultados de supervivencia. Resuelve el problema de modelar efectos de tratamiento heterogéneos y predicciones de tiempo hasta el evento en entornos de alta dimensionalidad.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Faraggi, D., & Simon, R. (1995). A neural network model for survival data. Statistics in Medicine, 14(1), 73–82. DOI: 10.1002/sim.4780140108 ↗
- Katzman, J. L., et al. (2018). DeepSurv: Personalized treatment recommender system using a Cox proportional hazards deep neural network. Journal of Machine Learning Research, 40, 40–51. DOI: 10.1186/s12874-018-0482-1 ↗
- Lee, C., Zame, W., Yoon, J., & van der Schaar, M. (2018). Deephit: A deep learning approach for dynamic survival analysis. AAAI Conference on Artificial Intelligence, 32(1). link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/es/survival/deepsurv
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Modelo de Tiempo hasta el Fallo Acelerado (AFT)Supervivencia↔ compare
- Regresión de Riesgos Proporcionales de CoxSupervivencia↔ compare
- Regresión de Supervivencia Paramétrica de WeibullSupervivencia↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →