Habilidades scikit-survival
📊

scikit-survival

Seguro ⚡ Contiene scripts⚙️ Comandos externos🌐 Acceso a red

Analizar datos de supervivencia con scikit-survival

También disponible en: davila7

El análisis de supervivencia maneja datos donde los eventos pueden no haber ocurrido para todos los sujetos. Esta habilidad proporciona herramientas de Python para modelado de tiempo hasta el evento con datos censurados utilizando modelos Cox, Bosques de Supervivencia Aleatorios, SVMs y métricas de evaluación especializadas como el índice de concordancia.

Soporta: Claude Codex Code(CC)
📊 71 Adecuado
1

Descargar el ZIP de la skill

2

Subir en Claude

Ve a Configuración → Capacidades → Skills → Subir skill

3

Activa y empieza a usar

Pruébalo

Usando "scikit-survival". Construir un modelo de supervivencia para el conjunto de datos de cáncer de pulmón de veteranos y evaluar el rendimiento

Resultado esperado:

  • Cargado conjunto de datos veterans_lung_cancer con 137 pacientes
  • Tasa de censura: 8.0% (11 eventos, 126 censurados)
  • Ajustado CoxPHSurvivalAnalysis con concordance_index_ipcw = 0.73
  • Principales factores de riesgo: puntuación de Karnofsky (HR=0.96), edad (HR=1.02)
  • AUC dependiente del tiempo a 180 días: 0.81

Usando "scikit-survival". Comparar Bosque de Supervivencia Aleatorio y modelo Cox en datos de cáncer de mama GBSG2

Resultado esperado:

  • Cargado conjunto de datos GBSG2 con 2238 pacientes, 1548 eventos
  • RandomSurvivalForest C-index: 0.68 (5-fold CV)
  • CoxPHSurvivalAnalysis C-index: 0.66 (5-fold CV)
  • RSF seleccionó 12/7 características mediante importancia de permutación
  • Recomendación: RSF proporciona una capacidad de ranking ligeramente mejor

Auditoría de seguridad

Seguro
v4 • 1/17/2026

All 277 static findings are FALSE POSITIVES. This skill contains only markdown documentation for the legitimate scikit-survival Python library. The 'Ruby/shell backtick execution' detections are markdown code fences (```python) for Python syntax highlighting. No executable code, scripts, or malicious patterns exist. The 'C2 keywords' and 'weak cryptographic algorithm' detections are false positives caused by statistical/medical terminology being misidentified by the pattern scanner.

8
Archivos escaneados
3,958
Líneas analizadas
3
hallazgos
4
Auditorías totales

Factores de riesgo

⚡ Contiene scripts (2)
SKILL.md:372-380 SKILL.md:383-387
⚙️ Comandos externos (3)
SKILL.md:39-40 references/competing-risks.md:46-70 references/data-handling.md:11-20
🌐 Acceso a red (1)
SKILL.md:357-360
Auditado por: claude Ver historial de auditorías →

Puntuación de calidad

45
Arquitectura
100
Mantenibilidad
87
Contenido
21
Comunidad
100
Seguridad
91
Cumplimiento de la especificación

Lo que puedes crear

Predicción de supervivencia de pacientes

Analizar datos de ensayos clínicos para predecir probabilidades de supervivencia de pacientes e identificar factores de riesgo para resultados adversos.

Aprendizaje automático de tiempo hasta el evento

Construir y comparar múltiples modelos de supervivencia incluyendo Cox, Bosque de Supervivencia Aleatorio y SVM para mantenimiento predictivo o abandono de clientes.

Modelado de progresión de enfermedad

Estudiar datos de tiempo hasta el evento con riesgos competidores como muerte por diferentes causas en estudios de progresión de enfermedad.

Prueba estos prompts

Análisis de supervivencia básico 
Usa scikit-survival para cargar el conjunto de datos de cáncer de mama, dividirlo en conjuntos de entrenamiento y prueba, ajustar un modelo de Riesgos Proporcionales de Cox y evaluar usando el índice de concordancia de Uno.
Comparación de modelos 
Compara CoxPHSurvivalAnalysis, RandomSurvivalForest, GradientBoostingSurvivalAnalysis y FastSurvivalSVM en el conjunto de datos GBSG2 usando validación cruzada con puntuación del índice de concordancia.
Selección de características 
Usa CoxnetSurvivalAnalysis con regularización elastic net para realizar selección de características en datos de supervivencia de alta dimensionalidad, luego identifica qué características fueron seleccionadas.
Riesgos competidores 
Demuestra análisis de riesgos competidores usando cumulative_incidence_competing_risks. Muestra cómo estimar la incidencia acumulada para diferentes tipos de eventos y comparar entre grupos de tratamiento.

Mejores prácticas

  • Siempre estandariza las características para SVMs y modelos Cox regularizados antes de ajustar
  • Usa el C-index de Uno (concordance_index_ipcw) en lugar del de Harrell cuando la censura supera el 40%
  • Reporta múltiples métricas de evaluación incluyendo C-index, puntuación de Brier integrada y AUC dependiente del tiempo

Evitar

  • Usar estimador de Kaplan-Meier cuando hay riesgos presentes (usa incidencia acumulada en su lugar)
  • Usar importancia de características integrada para Bosques de Supervivencia Aleatorios (usa importancia de permutación)
  • No verificar el supuesto de riesgos proporcionales para modelos Cox antes de la interpretación

Preguntas frecuentes

¿Cuál es la diferencia entre el C-index de Harrell y el de Uno?
El C-index de Harrell funciona bien con baja censura (<40%). El de Uno usa ponderación IPCW y permanece sin sesgo con censura alta.
¿Cómo manejo los riesgos competidores?
Usa cumulative_incidence_competing_risks para estimación o ajusta modelos Cox específicos de causa para cada tipo de evento.
¿Qué modelo debo elegir para datos de alta dimensionalidad?
Usa CoxnetSurvivalAnalysis con regularización elastic net para selección de características en configuraciones de alta dimensionalidad.
¿Cómo evalúo la calibración del modelo?
Usa integrated_brier_score para evaluar tanto discriminación como calibración. Puntuaciones más bajas indican predicciones mejor calibradas.
¿Puedo usar scikit-survival con pipelines de scikit-learn?
Sí, los modelos de scikit-survival son compatibles con sklearn Pipeline, GridSearchCV y cross_val_score.
¿Qué preprocesamiento se requiere para datos de supervivencia?
Convierte datos a objeto Surv, maneja valores faltantes, codifica variables categóricas y estandariza características para SVMs.

Detalles del desarrollador

Licencia

GPL-3.0 license

Repositorio

https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/scikit-survival

Ref.

main

Estructura de archivos

📁 references/

📄 competing-risks.md

📄 cox-models.md

📄 data-handling.md

📄 ensemble-models.md

📄 evaluation-metrics.md

📄 svm-models.md

📄 SKILL.md