Как сделать перекрестную проверку с помощью модели пропорциональных рисков Кокса?

Предположим, что я построил модель прогнозирования возникновения конкретной болезни в одном наборе данных (набор данных построения модели) и теперь хочу проверить, насколько хорошо модель работает в новом наборе данных (набор данных проверки). Для модели, построенной с логистической регрессией, я рассчитал бы прогнозируемую вероятность для каждого человека в наборе данных проверки на основе коэффициентов модели, полученных из набора данных для построения модели, и затем, после дихотомии этих вероятностей при некотором предельном значении, я мог бы построить таблицу 2x2 это позволяет мне рассчитывать истинную положительную оценку (чувствительность) и истинную отрицательную оценку (специфичность). Кроме того, я могу построить всю кривую ROC, изменяя срез, а затем получить AUC для графика ROC.

Теперь предположим, что у меня есть данные о выживании. Итак, я использовал модель пропорциональных рисков Кокса в наборе данных построения модели и теперь хочу проверить, насколько хорошо модель работает в наборе данных проверки. Поскольку базовый риск не является параметрической функцией в моделях Кокса, я не вижу, как я могу получить прогнозируемую вероятность выживания для каждого человека в наборе данных проверки на основе коэффициентов модели, полученных в наборе данных построения модели. Итак, как я могу проверить, насколько хорошо модель работает в наборе данных проверки? Существуют ли установленные методы для этого? И если да, реализованы ли они в каком-либо программном обеспечении? Спасибо заранее за любые предложения!

Кривая ROC в этой настройке бесполезна, хотя обобщенная область ROC (c-индекс, которая вообще не требует дихотомизации) есть. Пакет R rmsбудет вычислять c-index и его версии с перекрестной проверкой или с начальной загрузкой. Вы можете сделать это, не задерживая никакие данные, если полностью предварительно задаете модель или повторяете алгоритм обратного понижения при каждой повторной выборке. Если вы действительно хотите выполнить внешнюю проверку, т. Е. Если ваш образец проверки огромен, вы можете использовать следующие rmsфункции: rcorr.cens, val.surv.

Я знаю, что этот вопрос довольно старый, но я столкнулся с той же проблемой, когда использовал функцию прогнозирования, чтобы получить «оценку» для каждого субъекта в наборе валидации. Затем последовало разделение субъектов в зависимости от того, был ли балл выше или ниже среднего, и построение кривой Каплана-Мейера. Это должно показать разделение предметов, если ваша модель является прогностической. Я также проверил корреляцию оценки (фактически ее ln [для нормального распределения]) с выживанием, используя функцию Кокша из пакета выживания в R.