Boylamsal verileri birleştiren yeni hayatta kalma modelleri, güçlü öngörücü performansa ulaşır, ancak tahminlerinin yorumlanması genellikle zordur ve bu da klinik kullanımlarını sınırlandırır. Karışık statik ve boylamsal ortak değişkenlerle dinamik hayatta kalma tahmini için modelden bağımsız açıklanabilirlik çerçevesi olan DynSurvX'i öneriyoruz. DynSurvX, Shapley değerlerine dayanarak, öncelikle etkili boylamsal özellikleri tanımlayan ve daha sonra bunların zamansal önemini uyarlanabilir bir şekilde geliştiren ve hesaplama maliyetini azaltırken ayrıntılı açıklamalara olanak tanıyan hiyerarşik iki aşamalı bir strateji sunar.
- Boylamsal verileri birleştiren yeni hayatta kalma modelleri, güçlü öngörücü performansa ulaşır, ancak tahminlerinin yorumlanması genellikle zordur ve bu da klinik kullanımlarını sınırlandırır.
- Karışık statik ve boylamsal ortak değişkenlerle dinamik hayatta kalma tahmini için modelden bağımsız açıklanabilirlik çerçevesi olan DynSurvX'i öneriyoruz.
- DynSurvX, Shapley değerlerine dayanarak, öncelikle etkili boylamsal özellikleri tanımlayan ve daha sonra bunların zamansal önemini uyarlanabilir bir şekilde geliştiren ve hesaplama maliyetini azaltırken ayrıntılı açıklamalara olanak tanıyan hiyerarşik iki aşamalı bir strateji sunar.
Boylamsal verileri birleştiren yeni hayatta kalma modelleri, güçlü öngörücü performansa ulaşır, ancak tahminlerinin yorumlanması genellikle zordur ve bu da klinik kullanımlarını sınırlandırır.
02 Özet
Boylamsal verileri birleştiren yeni hayatta kalma modelleri, güçlü öngörücü performansa ulaşır, ancak tahminlerinin yorumlanması genellikle zordur ve bu da klinik kullanımlarını sınırlandırır. Karışık statik ve boylamsal ortak değişkenlerle dinamik hayatta kalma tahmini için modelden bağımsız açıklanabilirlik çerçevesi olan DynSurvX'i öneriyoruz. DynSurvX, Shapley değerlerine dayanarak, öncelikle etkili boylamsal özellikleri tanımlayan ve daha sonra bunların zamansal önemini uyarlanabilir bir şekilde geliştiren ve hesaplama maliyetini azaltırken ayrıntılı açıklamalara olanak tanıyan hiyerarşik iki aşamalı bir strateji sunar. Çerçeve, yeni hasta verileri kullanıma sunuldukça gelişen, zamana bağlı açıklamalar sağlar. Simüle edilmiş ve iki klinik veri seti üzerinde yapılan deneyler, gerçek dünya ortamlarında klinik olarak yorumlanabilir içgörülerin yanı sıra, daha iyi performans gösteren modeller için daha yakın bir anlaşma ile tahmin modelleri arasında teorik öneme sahip değişen bir anlaşma olduğunu göstermektedir. Tahmin ayarları genelinde sağlam kalır ve zamansal açıklama temel çizgisine göre hesaplama süresini %41-80 oranında azaltarak dinamik açıklamaları pratik hale getirir.
Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.
Recent survival models integrating longitudinal data achieve strong predictive performance, but their predictions are often difficult to interpret, limiting their clinical use. We propose DynSurvX, a model-agnostic explainability framework for dynamic survival prediction with mixed static and longitudinal covariates. Based on Shapley values, DynSurvX introduces a hierarchical two-phase strategy that first identifies influential longitudinal features and then adaptively refines their temporal importance, enabling fine-grained explanations while reducing computational cost. The framework provides time-resolved explanations that evolve as new patient data become available. Experiments on simulated and two clinical datasets show varying agreement with theoretical importance across prediction models, with closer agreement for better-performing models, alongside clinically interpretable insights in real-world settings. It remains robust across prediction settings and reduces computation time by 41--80% relative to the temporal explanation baseline, making dynamic explanations practical.
03 PDF
Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.
04 Kaynak göster
@article{nguyen2026dynsurvx,
title = {DynSurvX: Time-Resolved Explanations for Dynamic Survival Predictions},
author = {Van Tuan Nguyen and Agathe Guilloux},
journal = {arXiv preprint arXiv:2611.21571},
year = {2026},
url = {https://arxiv.org/abs/2611.21571}
}
Nguyen, V. T., & Guilloux, A. (2026). DynSurvX: Dinamik Hayatta Kalma Tahminleri için Zamanla Çözülmüş Açıklamalar. arXiv. https://arxiv.org/abs/2611.21571
Yorumlar 0
Henüz yorum yok. İlk yorumu siz yazın.
Yorum yazın