Surpyval: Análisis de supervivencia en Python

Fuente: https://surpyval.readthedocs.io/en/latest/

 surpyval es una implementación del análisis de supervivencia en Python. La intención de esto era ver si realmente podía hacerlo y, por lo tanto, aprender mucho sobre análisis de supervivencia a lo largo del camino, pero también para que cada vez que se cree un modelo, pueda ser reutilizado por otros proyectos planificados para simulaciones de Monte Carlo (utilizadas en ingeniería de confiabilidad) y optimizaciones.

Una característica de surpyval que lo separa de otros paquetes de análisis de supervivencia es la forma intuitiva con la que se pueden pasar datos a los métodos de ajuste. Hay muchos formatos diferentes que se pueden utilizar para el análisis de supervivencia; surpyval maneja muchas de las formas imaginables en que puede almacenar sus datos. Esto se analiza en la pestaña de formato de datos.

Surpyval también es único en la forma en que permite estimar los parámetros. Con surpyval, puede utilizar cualquiera de los siguientes métodos para estimar los parámetros de su distribución de interés:

Métodos de modelado de SurPyval.

Método	Para/No Para	Observado	Censurado	Truncado
Máxima verosimilitud (MLE)	Paramétrico	Sí	Sí	Sí
Trazado de probabilidad (MPP)	Paramétrico	Sí	Sí	Limitado
Error cuadrático medio (MSE)	Paramétrico	Sí	Sí	Limitado
Método de los Momentos (MOM)	Paramétrico	Sí	No	No
Espaciado máximo del producto (MPS)	Paramétrico	Sí	Sí	No (planificado)
Kaplan-Meier	No paramétrico	Sí	Sólo derecho	Solo izquierda
Nelson-Aalen	No paramétrico	Sí	Sólo derecho	Solo izquierda
Fleming-Harrington	No paramétrico	Sí	Sólo derecho	Solo izquierda
Turnbull	No paramétrico	Sí	Sí	Sí

La mayoría de los demás paquetes de análisis de supervivencia se centran únicamente en el uso del MLE, o tal vez del diagrama de probabilidad. Este paquete surgió de la replicación del método de trazado de probabilidad utilizado históricamente en ingeniería y, a medida que avanzaba, se descubrió que hay muchas formas de estimar los parámetros de las distribuciones. El estimador de espaciado de productos es particularmente útil para distribuciones desplazadas o distribuciones finitamente acotadas.

SurPyval intenta utilizar la combinación de estos métodos para hacer posible la estimación de parámetros para cualquier distribución con combinaciones arbitrarias de observaciones, censura y truncamiento.

Convertirse en un analista de supervivencia competente depende en gran medida de tener una comprensión muy sólida de la censura, el truncamiento y las observaciones junto con una comprensión sólida de los diferentes tipos de distribuciones. Conocer y poder identificar situaciones como censuradas o truncadas en aplicaciones reales le garantizará que no cometa errores en su análisis. Esto puede resultar muy difícil de hacer. Esta documentación puede utilizarse como referencia para comprender los tipos de censura y truncamiento para que puedas identificar estas situaciones en tu trabajo. Además, tener un conocimiento profundo de los tipos de distribuciones utilizadas en el análisis de supervivencia le permitirá identificar el proceso que genera sus datos. Esto le permitirá seleccionar una distribución adecuada, si la hubiera, para resolver su problema. El análisis de supervivencia es extremadamente poderoso,y es una herramienta muy interesante, así que no te rindas, o si te rindes, haz las estadísticas de supervivencia al respecto.