Modified Kaplan-Meier Estimator Based on Competing Risks for Heavy Censoring Data
Notice bibliographique
Résumé
Most follow-up studies are conducted to determine the survival rates of subjects affected by a specific risk. These subjects are also exposed to other risks. Every subject in a medical follow-up is exposed not only to the risk of dying, but also to the risk of being censored. In case of heavy censoring, the Kaplan-Meier estimates are biased and overestimate the survival distribution. A new methodology based on competing risks is proposed to estimate the survival function by using net and crude probabilities. These estimates reduce the bias and overestimation of the survival distribution noted in Kaplan-Meier estimators. In this study, the method of modified Kaplan-Meier (MKM) is compared with the Kaplan-Meier (KM), Huang’s method and also the two other methods namely Weighted Kaplan-Meier (WKM) and Modified Weighted Kaplan-Meier (MWKM). Either of the weighted methods depends heavily on the event times and censoring distributions. Due to this fact, the weighted methods can have misleading results when the censoring patterns are different in the individual samples. The results showed that the MKM estimator considers not only the problem of heavy censoring but also the problem of weighted methods and competing risks in complicated data. In this study “Stanford Heart Transplant Data” was used to investigate the effectiveness of the proposed methods.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 tête enseignante, 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 ».