Shrinkage estimators for semi-parametric proportional hazards mixture cure models
Notice bibliographique
Résumé
Survival analysis is essential for modelling time-to-event data, particularly in medical research. Mixture cure models are widely used methods to study patients' latency and incidence components. This research focuses on mixture model properties in the semi-parametric estimation of the Cox proportional hazard models in the presence of the multicollinearity problem, where the explanatory variables are linearly dependent so that the input design matrix is ill-conditioned. In the mixture of cure models, the multicollinearity issue can happen in both latency and incidence components, where the commonly used least squares (LS) method may lead to unreliable estimates for the coefficients of the underlying model. To address this issue, we propose shrinkage methods to estimate the coefficient of the underlying model. To do so, we developed new expectation-maximization (EM) algorithms to incorporate the shrinkage methods for both components. Through various simulations, we show that the proposed shrinkage methods cope with the multicollinearity problem in latency and incidence components and lead to more reliable estimates in semi-parametric settings. Our findings indicate that Ridge and Liu-type (LT) shrinkage methods provide more reliable parameter estimates and outperform the LS estimation method in scenarios with high multicollinearity. The developed methods are finally applied to a dataset on breast cancer, analyzing the disease prognosis and survival rates of patients with 10 or more positive lymph nodes. The results consistently show that the Ridge and LT methods offer better estimation and survival results compared to the LS method. Our numerical studies show the practical advantages of our proposed shrinkage methods in medical research.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».