Deep learning for the dynamic prediction of multivariate longitudinal and survival data

计算机科学 多元统计 协变量 机器学习 比例危险模型 纵向数据 事件(粒子物理) 纵向研究 人工智能 事件数据 参数统计 数据挖掘 统计 数学 量子力学 物理
作者
Jeffrey Lin,Sheng Luo
出处
期刊:Statistics in Medicine [Wiley]
卷期号:41 (15): 2894-2907 被引量:15
标识
DOI:10.1002/sim.9392
摘要

Abstract The joint model for longitudinal and survival data improves time‐to‐event predictions by including longitudinal outcome variables in addition to baseline covariates. However, in practice, joint models may be limited by parametric assumptions in both the longitudinal and survival submodels. In addition, computational difficulties arise when considering multiple longitudinal outcomes due to the large number of random effects to be integrated out in the full likelihood. In this article, we discuss several recent machine learning methods for incorporating multivariate longitudinal data for time‐to‐event prediction. The presented methods use functional data analysis or convolutional neural networks to model the longitudinal data, both of which scale well to multiple longitudinal outcomes. In addition, we propose a novel architecture based on the transformer neural network, named TransformerJM, which jointly models longitudinal and time‐to‐event data. The prognostic abilities of each model are assessed and compared through both simulation and real data analysis on Alzheimer's disease datasets. Specifically, the models were evaluated based on their ability to dynamically update predictions as new longitudinal data becomes available. We showed that TransformerJM improves upon the predictive performance of existing methods across different scenarios.

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
chenzh86发布了新的文献求助10
1秒前
3秒前
cco发布了新的文献求助10
4秒前
大模型应助ysy采纳,获得10
6秒前
8秒前
明理尔安完成签到,获得积分10
8秒前
8秒前
1111发布了新的文献求助10
9秒前
爆米花应助cabbage采纳,获得10
9秒前
9秒前
10秒前
NN发布了新的文献求助10
11秒前
宜醉宜游宜睡应助信仰采纳,获得10
12秒前
shinkai发布了新的文献求助10
12秒前
chenzh86完成签到,获得积分10
13秒前
13秒前
平淡的臻发布了新的文献求助10
13秒前
青阳完成签到,获得积分10
13秒前
13秒前
明理尔安发布了新的文献求助10
13秒前
boom发布了新的文献求助10
14秒前
沉默哈哈哈完成签到 ,获得积分10
16秒前
畸你太美完成签到,获得积分10
17秒前
sada发布了新的文献求助10
17秒前
18秒前
ysy发布了新的文献求助10
18秒前
18秒前
A哇咔咔咔发布了新的文献求助10
19秒前
LayeredSly完成签到,获得积分10
20秒前
20秒前
20秒前
21秒前
平淡的臻完成签到,获得积分10
22秒前
好好完成签到,获得积分10
22秒前
23秒前
御龙万里发布了新的文献求助10
24秒前
24秒前
cco完成签到,获得积分10
24秒前
anpina发布了新的文献求助10
24秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Very-high-order BVD Schemes Using β-variable THINC Method 870
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
A new species of Coccus (Homoptera: Coccoidea) from Malawi 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3256065
求助须知:如何正确求助?哪些是违规求助? 2898207
关于积分的说明 8300363
捐赠科研通 2567343
什么是DOI,文献DOI怎么找? 1394475
科研通“疑难数据库(出版商)”最低求助积分说明 652817
邀请新用户注册赠送积分活动 630501