CPH，加速故障时间模型或神经网络用于生存分析的比较

我是生存分析的新手，我最近了解到，对于特定目标，可以采用不同的方法进行。我对这些方法的实际实现和适当性感兴趣。

向我介绍了传统的Cox比例危害，加速故障时间模型和神经网络（多层感知器），作为根据患者的时间，状态和其他医学数据获得患者生存的方法。据说这项研究将在五年内完成，目标是每年为新的记录给出生存风险。

我发现了两个实例，这些实例是通过Cox PH选择其他方法的：

1. 我发现“ 如何从Cox PH模型获得生存期的预测 ”，并提到：

   如果您对获取特定时间点生存概率的估计特别感兴趣，我将向您介绍参数化生存模型（又称为加速故障时间模型）。这些是在R的生存程序包中实现的，将为您提供参数化的生存时间分布，您可以在其中简单地插入您感兴趣的时间并获取生存概率。

   我去了推荐的站点，并在survival软件包中找到了一个函数survreg。

2. 在此评论中建议使用神经网络：

   神经网络方法进行生存分析的一个优势是它们不依赖于Cox分析基础的假设...

   另一个问题是“ 带有目标向量的R神经网络模型，其输出包含生存预测 ”，给出了一种详尽的方法来确定神经网络和Cox PH中的生存。

   用于获得生存的R代码如下所示：

   mymodel <- neuralnet(T1+T2+T3+T4+T5~covar1+covar2+covar3+..., data=mydata, hidden=1)
   compute(mymodel,data=mydata)

3. 我去了R论坛，并在“ predict.coxph和predict.survreg ” 问题中找到了这个答案：

   确实，从的predict()功能中，coxph您不能直接获得“时间”预测，而只能获得线性和指数风险评分。这是因为，为了获得时间，必须计算基准危害，而且它并不直接，因为它在Cox模型中是隐含的。

我想知道这三个（或两个考虑Cox PH的论点）中哪一个最适合获取感兴趣时间段的生存率？我对在生存分析中使用哪一个感到困惑。

这取决于您为什么要制作模型。构建生存模型的两个主要原因是（1）进行预测或（2）对协变量的效应大小进行建模。

如果要在预测环境中使用它们，并希望在给定一组协变量的情况下获得预期的生存时间，则神经网络可能是最佳选择，因为它们是通用逼近器，并且比通常的（半）参数化方法要少楷模。支持向量机是另一个不太流行但功能也不逊色的选择。

如果您要建模以量化效果大小，那么神经网络将不会有太大用处。Cox比例风险模型和加速故障时间模型均可用于此目标。迄今为止，Cox PH模型是在临床环境中使用最广泛的模型，其中，危险比可以衡量每种协变量/相互作用的效应大小。但是，在工程环境中，AFT模型是首选武器。