Efficient semiparametric mixture inferences on cure rate models for competing risks
Notice bibliographique
Résumé
Abstract Cancer patients may die from causes other than the diagnosed cancer. In a study of patients treated for soft tissue sarcoma, the patients may die from the disease or die without experiencing disease recurrence. In addition, a substantial proportion of the patients will remain cancer‐free after surgical resection of the tumour, and therefore will not be at increased risk of any type of failure. Our goal is to describe the effect of adjuvant chemotherapy simultaneously on the probabilities of long‐term survival, death from cancer, or death from other causes. To this end, we propose a semiparametric mixture model to determine the effects of factors on the probability of occurrence, allowing the surviving fraction, and the hazard rate conditional on each of the failure types. These quantities are combined in the mixture approach using a multinomial logistic model and a class of semiparametric transformation models. Estimation of the regression and nonparametric parameters is achieved with a novel nonparametric maximum likelihood approach. Statistical inferences can be conveniently made from the inverse of the observed information matrix. Simulation studies show that the procedures work well in practical settings. The methodology is illustrated with data from the soft tissue sarcoma study. The Canadian Journal of Statistics 43: 420–435; 2015 © 2015 Statistical Society of Canada
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,074 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».