DeepSurv
DeepSurv è un approccio basato su reti neurali profonde per l'analisi di sopravvivenza che apprende distribuzioni di sopravvivenza personalizzate direttamente dai dati. Introdotto da Katzman et al. nel 2018, estende il modello dei rischi proporzionali di Cox utilizzando il deep learning per catturare relazioni complesse e non lineari tra covariate ed esiti di sopravvivenza. Risolve il problema della modellazione di effetti eterogenei del trattamento e delle predizioni tempo-evento in contesti ad alta dimensionalità.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Mappa dei metodi
Il vicinato dei metodi correlati — seleziona un nodo per esplorare.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/it/survival/deepsurv
Quale metodo?
Affianca questo metodo ai suoi parenti più prossimi e leggili fianco a fianco — la biblioteca dispone i libri sul tavolo; la scelta è tua.
- Modello del Tempo di Fallimento Accelerato (AFT)Analisi di sopravvivenza↔ confronta
- Regressione Cox dei rischi proporzionaliAnalisi di sopravvivenza↔ confronta
- Regressione di Sopravvivenza Parametrica di WeibullAnalisi di sopravvivenza↔ confronta
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →