DeepSurv
DeepSurv is a deep neural network approach to survival analysis that learns personalized survival distributions directly from data. Introduced by Katzman et al. in 2018, it extends the Cox proportional hazards model using deep learning to capture complex, nonlinear relationships between covariates and survival outcomes. It solves the problem of modeling heterogeneous treatment effects and time-to-event predictions in high-dimensional settings.
Bronrecord
Citaten letterlijk overgenomen uit het bronrecord van de methode. Hieruit wordt geen verificatie op claimniveau afgeleid.
- 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). · URL
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.