DeepHit
DeepHit è un framework di rete neurale profonda per l'analisi di sopravvivenza con rischi competitivi. Introdotto da Lee et al. nel 2018, estende DeepSurv per gestire contesti in cui possono verificarsi eventi multipli e mutuamente esclusivi, come la mortalità specifica per malattia rispetto alla morte per altre cause. DeepHit risolve la sfida della previsione personalizzata del rischio quando i soggetti possono sperimentare diversi tipi di eventi terminali, uno scenario comune nelle applicazioni mediche e di affidabilità.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- Lee, C., Zame, W., Yoon, J., & van der Schaar, M. (2018). DeepHit: A deep learning approach for dynamic survival analysis with competing risks. AAAI Conference on Artificial Intelligence, 32(1), 2314–2321. link ↗
- Fine, J. P., & Gray, R. J. (1999). A proportional hazards model for the subdistribution of a competing risk. Journal of the American Statistical Association, 94(446), 496–509. DOI: 10.1080/01621459.1999.10474144 ↗
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Deep Learning for Competing Risks. ScholarGate. https://scholargate.app/it/survival/deephit
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.
Compare side by side →Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →