DeepHit
DeepHit is a deep neural network framework for survival analysis with competing risks. Introduced by Lee et al. in 2018, it extends DeepSurv to handle settings where multiple, mutually exclusive events can occur, such as disease-specific mortality versus death from other causes. DeepHit solves the challenge of personalized risk prediction when subjects can experience different types of terminal events, a common scenario in medical and reliability applications.
Bronrecord
Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.
- 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. · URL
- 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
Gecureerde claims
Claims opgeslagen in het bewijsregister, elk met zijn eigen beoordeling.
Deze weergave verzint geen claimbeoordeling als het register er geen heeft.
Gerelateerde methoden
Gegenereerd uit de methodegraaf en getoond als machinaal voorgestelde relaties — er wordt geen bewijsclaim afgeleid.