Efficient nonparametric estimators of discrimination measures with censored survival data
删失生存数据中区分能力指标的高效非参数估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要关注生存数据的预测区分指标，未涉及因果效应、金融风险或所列其他领域的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
删失生存数据中区分能力指标的高效非参数估计
- 研究问题
- 当生存评分模型可能误设且数据存在删失时，如何估计一致性指数和时间依赖曲线下面积，并避免评分目标依赖删失分布？
- 方法与思路
- 作者采用在无删失情形下定义非参数目标的线性评分规则，为两类区分能力指标提出去偏估计，并允许数据自适应拟合。
- 材料陈述的贡献
- 摘要称，估计量高效利用数据，且一致估计不依赖删失模型正确设定；文中还包含模拟比较及脑癌研究应用。
- 阅读关注点
- 应核对评分系数的目标定义、去偏步骤与效率标准，以及删失模型误设时一致性所需的其他条件和拟合要求。
- 阅读边界
- 仅据 Crossref 摘要，未说明完整删失假设、其他模型条件或数值结果；不能将其解读为对任意删失机制均稳健。
原文摘要
Abstract Discrimination measures such as the concordance index and the cumulative-dynamic time-dependent area under the ROC-curve are widely used in the medical literature for evaluating the predictive accuracy of a scoring rule which relates a set of prognostic markers to the risk of experiencing a particular event. Often the scoring rule being evaluated in terms of discriminatory ability is the linear predictor of a survival regression model such as the Cox proportional hazards model. This has the undesirable feature that the scoring rule depends on the censoring distribution when the model is misspecified. In this work, we focus on linear scoring rules where the coefficient vector is a nonparametric estimand defined in the setting where there is no censoring. We propose so-called debiased estimators of the aforementioned discrimination measures for this class of scoring rules. The proposed estimators make efficient use of the data and minimize bias by allowing for the use of data-adaptive methods for model fitting. Moreover, the estimators do not rely on correct specification of the censoring model to produce consistent estimation. We compare the estimators to existing methods in a simulation study, and we illustrate the method by an application to a brain cancer study.