DeepSurv
DeepSurv é uma abordagem de rede neural profunda para análise de sobrevivência que aprende distribuições de sobrevivência personalizadas diretamente a partir de dados. Introduzido por Katzman et al. em 2018, estende o modelo de riscos proporcionais de Cox usando aprendizado profundo para capturar relações complexas e não lineares entre covariáveis e desfechos de sobrevivência. Resolve o problema de modelagem de efeitos heterogêneos de tratamento e predições de tempo até o evento em cenários de alta dimensionalidade.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Deep Learning for Survival Analysis. ScholarGate. https://scholargate.app/pt/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 Tempo Acelerado de Falha (AFT)Análise de sobrevivência↔ compare
- Regressão de Riscos Proporcionais de CoxAnálise de sobrevivência↔ compare
- Regressão Paramétrica de Sobrevivência de WeibullAnálise de sobrevivência↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →