零件DSA

分区删除/替换/添加算法用于创建生存风险组,准确评估患者在给定事件中的风险,对于做出明智的治疗决策至关重要。一种方法是利用临床和人口学变量将患者分为两个或两个以上不同的风险组。结果可能是定性的或连续的;癌症研究中的重要例子可能包括毒性水平或复发时间。递归分区方法是构建此类风险组的理想方法。这两种方法是分类和回归树(CART)和最近的竞争对手,称为分区删除/替换/添加(partDSA)算法,这两种方法都利用损失函数(例如,连续结果的平方误差)作为构建、选择、,以及评估预测因子,但在构建回归树的方式上有所不同。最近,我们发现partDSA在所谓的“完整数据”设置(例如,未经审查的结果)中往往优于CART。然而,当面对截尾结果数据时,两种方法使用的损失函数都必须修改。已经有好几次尝试使CART适应正确的审查数据。本文描述了partDSA的两个这样的扩展,它们利用截尾权的逆概率构造的观测数据丢失函数。这种损失函数是对未经审查的对应物的一致估计,前提是正确地指定了相应的截尾模型。通过模拟研究评估这些新方法的相对性能,并通过对脑癌患者临床试验数据的分析加以说明。在R包partDSA中公开了未经审查和右删失结果的partDSA实现。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换