Semiparametric analysis of clustered interval‐censored survival data using soft Bayesian additive regression trees (SBART)
Semiparametric analysis of clustered interval‐censored survival data using soft Bayesian additive regression trees (SBART)
复制标题
使用软贝叶斯加性回归树（SBART）对聚类区间删失生存数据进行半参数分析
DOI：
10.1111/biom.13478
复制
发表时间：
2020
期刊：
影响因子：
1.9
通讯作者：
S. Lipsitz
中科院分区：
文献类型：
--
作者：
Piyali Basak;A. Linero;D. Sinha;S. Lipsitz
流行的参数和半参数风险回归模型聚类生存数据是不合适的，不充分的未知影响不同的协变量和聚类是复杂的。这需要一个灵活的建模框架来产生有效的生存预测。此外，对于一些涉及至发生某些无症状事件的时间的生存期研究，生存期通常在连续临床检查之间进行间隔删失。在这篇文章中，我们提出了一个强大的半参数模型，用于贝叶斯集成学习范式下的聚类区间删失生存数据，称为软贝叶斯加性回归树或SBART（Linero和Yang，2018），它结合了多个稀疏（软）决策树，以获得出色的预测精度。我们开发了一种新的半参数风险回归模型，通过建模的风险函数作为一个产品的参数基线风险函数和一个非参数组件，使用SBART将聚类，未知的功能形式的主要影响，和各种协变量的相互作用的影响。除了适用于左删失、右删失和区间删失的生存数据外，我们的方法还使用数据增强方案来实现，该方案允许使用现有的贝叶斯后拟合算法。我们说明了我们的方法的实际实施和优势，通过模拟研究和分析的前列腺癌手术的研究，依赖于医生的经验和技能水平，导致集群的生存时间。最后，我们讨论了我们的方法在涉及具有复杂潜在关联的高维数据的研究中的适用性。
Popular parametric and semiparametric hazards regression models for clustered survival data are inappropriate and inadequate when the unknown effects of different covariates and clustering are complex. This calls for a flexible modeling framework to yield efficient survival prediction. Moreover, for some survival studies involving time to occurrence of some asymptomatic events, survival times are typically interval censored between consecutive clinical inspections. In this article, we propose a robust semiparametric model for clustered interval‐censored survival data under a paradigm of Bayesian ensemble learning, called soft Bayesian additive regression trees or SBART (Linero and Yang, 2018), which combines multiple sparse (soft) decision trees to attain excellent predictive accuracy. We develop a novel semiparametric hazards regression model by modeling the hazard function as a product of a parametric baseline hazard function and a nonparametric component that uses SBART to incorporate clustering, unknown functional forms of the main effects, and interaction effects of various covariates. In addition to being applicable for left‐censored, right‐censored, and interval‐censored survival data, our methodology is implemented using a data augmentation scheme which allows for existing Bayesian backfitting algorithms to be used. We illustrate the practical implementation and advantages of our method via simulation studies and an analysis of a prostate cancer surgery study where dependence on the experience and skill level of the physicians leads to clustering of survival times. We conclude by discussing our method's applicability in studies involving high‐dimensional data with complex underlying associations.
登录
查看更多内容
影响因子：
5.8
作者：
Calhoun, Peter;Su, Xiaogang;Fan, Juanjuan
通讯作者：
Fan, Juanjuan
树增强 Cox 比例风险模型。
DOI：
10.1093/biostatistics/kxi024
发表时间：
2005
期刊：
Biostatistics (Oxford, England)
影响因子：
--
作者：
Su,Xiaogang;Tsai,Chih-Ling
通讯作者：
Tsai,Chih-Ling
将分组信息合并到贝叶斯决策树集成中
DOI：
--
发表时间：
2019
期刊：
Proceedings of the 36th International Conference on Machine Learning
影响因子：
--
作者：
Du, Junliang;Linero, Antonio Ricardo
通讯作者：
Linero, Antonio Ricardo
DOI：
10.1080/01621459.2022.2037431
发表时间：
2022-03-17
影响因子：
3.7
作者：
Li, Yinpu;Linero, Antonio R.;Murray, Jared
通讯作者：
Murray, Jared
使用贝叶斯决策树集成进行交互检测
DOI：
--
发表时间：
2019
期刊：
Proceedings of the 22nd International Conference on Artificial Intelligence and Statistics (AISTATS
影响因子：
--
作者：
Du, Junliang;Linero, Antonio Ricardo
通讯作者：
Linero, Antonio Ricardo