MARC

 008260126s2025        us                              c    eng  d
■001000017357088
■00520260202103129
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315713449
■035    ▼a(MiAaPQ)AAI31939252
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aLi,  Haolin.
■24510▼aEnsemble  Learning  Methods  for  Survival  Prediction  in  Studies  With  Outcome-Dependent  Sampling  Designs
■260    ▼a[Sl]▼bThe  University  of  North  Carolina  at  Chapel  Hill▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a124  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Cai,  Jianwen;Zhou,  Haibo.
■5021  ▼aThesis  (Ph.D.)--The  University  of  North  Carolina  at  Chapel  Hill,  2025.
■520    ▼aOutcome-dependent  sampling  designs  are  widely  used  in  biomedical  research  as  cost-effective  alternatives  to  full  cohort  studies.  However,  much  of  the  existing  research  in  survival  analysis  focuses  on  estimation  and  inference  for  semiparametric  models,  with  limited  development  in  survival  prediction  methods.  This  dissertation  addresses  this  gap  by  developing  ensemble  learning  approaches  tailored  for  survival  prediction  in  studies  utilizing  outcome-dependent  sampling  designs.In  the  first  project,  we  propose  a  super  learner  algorithm  for  survival  prediction  in  case-cohort  and  generalized  case-cohort  studies.  The  algorithm  achieves  asymptotic  model  selection  consistency  and  uniform  consistency  while  exhibiting  superior  finite-sample  performance.  Simulation  studies  demonstrate  improved  prediction  accuracy  compared  to  super  learners  trained  on  simple  random  samples  of  equal  size.The  second  project  extends  the  random  survival  forest  (RSF)  framework  to  case-cohort  and  generalized  case-cohort  designs  by  incorporating  multiple  imputation  by  chained  equations  (RSF-MICE)  and  substantive  model  compatible  imputation  (RSF-SMCI).  These  approaches  enhance  prediction  accuracy  by  leveraging  inexpensive  covariate  data  from  the  full  cohort,  facilitating  better  use  of  available  information.In  the  third  project,  we  address  scenarios  where  full-cohort  covariate  data  are  not  predictive  of  survival  outcomes.  We  develop  a  modified  RSF  method  that  employs  a  resampling  scheme  preserving  the  case-cohort  data  structure,  along  with  tailored  tree-splitting  and  within-node  estimation  techniques.  The  proposed  method  achieves  uniform  consistency  and  demonstrates  strong  performance  in  finite  samples.The  final  project  introduces  a  gradient  boosting  machine  designed  for  general  failure-time  outcome-dependent  sampling.  This  approach  incorporates  a  weighting  scheme  to  correct  for  sampling  bias  and  improve  predictive  accuracy.  A  weighted  empirical  risk  based  on  the  Brier  score  is  proposed  for  hyperparameter  tuning.  The  method  shows  robust  performance  across  various  simulation  settings.
■590    ▼aSchool  code:  0153.
■650  4▼aBiostatistics
■650  4▼aPublic  health
■650  4▼aEpidemiology
■653    ▼aRandom  survival  forest
■653    ▼aOutcome-dependent  sampling
■653    ▼aSubstantive  model  compatible  imputation
■653    ▼aSurvival  outcomes
■690    ▼a0308
■690    ▼a0766
■690    ▼a0573
■71020▼aThe  University  of  North  Carolina  at  Chapel  Hill▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0153
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357088▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books