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.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- 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
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.