Méthodes efficaces pour construire et évaluer les distributions de survie individuelles

Un modèle précis de la distribution de survie individuelle d'un patient peut aider à déterminer le traitement approprié pour les patients en phase terminale. Malheureusement, les scores de risque (par exemple, les modèles de risque proportionnel de Cox) ne fournissent pas de probabilités de survie, les modèles de probabilité à un seul moment (par exemple, le modèle de Gail, qui prédit la probabilité à 5 ans) ne fournissent qu'un seul point dans le temps, et les courbes de survie standard de Kaplan-Meier ne fournissent que des moyennes de population pour une grande catégorie de patients, ce qui signifie qu'elles ne sont pas spécifiques aux patients individuels. Cela motive une classe alternative d'outils qui peuvent apprendre un modèle qui fournit une distribution de survie individuelle pour chaque sujet, qui donne des probabilités de survie à travers tous les temps, tels que les extensions du modèle de Cox, le temps de défaillance accéléré, une extension des forêts de survie aléatoires, et la régression logistique multi-tâches. Cet article présente d'abord ces modèles de "distribution de survie individuelle" (isd) et explique en quoi ils diffèrent des modèles standard. Il aborde ensuite les moyens d'évaluer ces modèles - à savoir la concordance, le calibrage 1, le score de Brier intégré et les versions de la perte L1 - puis il motive et définit une nouvelle approche, le "calibrage D", qui détermine si les estimations de probabilité d'un modèle sont significatives. Nous discutons également des différences entre ces mesures et les utilisons pour évaluer plusieurs outils de prédiction de l'isd sur une série d'ensembles de données de survie. Nous fournissons également une base de code pour tous ces modèles de survie et mesures d'évaluation, sur GitHub.

Remerciements
Nous tenons à remercier le CRSNG (subvention à la découverte), Amii et Borealis AI, qui nous ont accordé une subvention d'engagement du CRSNG. Nous remercions également Chun-Nam Yu, Ping Jin et Vickie Baracos pour les idées qui ont mené à cette recherche, ainsi qu'Adam Kashlak pour ses discussions perspicaces sur le calibrage D.