生存解析は、すべての対象でイベントが起こるとは限らないデータを扱います。このスキルは、Coxモデル、Random Survival Forest、SVM、コンコーダンス指数などの特化評価指標を用いて、打ち切りデータの時間-to-イベントモデリングを行うためのPythonツールを提供します。
スキルZIPをダウンロード
Claudeでアップロード
設定 → 機能 → スキル → スキルをアップロードへ移動
オンにして利用開始
テストする
「scikit-survival」を使用しています。 Build a survival model for the veterans lung cancer dataset and evaluate performance
期待される結果:
- Loaded veterans_lung_cancer dataset with 137 patients
- Censoring rate: 8.0% (11 events, 126 censored)
- Fitted CoxPHSurvivalAnalysis with concordance_index_ipcw = 0.73
- Top risk factors: Karnofsky score (HR=0.96), age (HR=1.02)
- Time-dependent AUC at 180 days: 0.81
「scikit-survival」を使用しています。 Compare Random Survival Forest and Cox model on GBSG2 breast cancer data
期待される結果:
- Loaded GBSG2 dataset with 2238 patients, 1548 events
- RandomSurvivalForest C-index: 0.68 (5-fold CV)
- CoxPHSurvivalAnalysis C-index: 0.66 (5-fold CV)
- RSF selected 12/7 features via permutation importance
- Recommendation: RSF provides slightly better ranking ability
セキュリティ監査
安全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.
リスク要因
⚡ スクリプトを含む (2)
🌐 ネットワークアクセス (1)
品質スコア
作れるもの
患者生存予測
臨床試験データを解析して患者の生存確率を予測し、有害転帰のリスク因子を特定します。
時間-to-イベントの機械学習
予知保全や顧客離反に向けて、Cox、Random Survival Forest、SVMを含む複数の生存モデルを構築・比較します。
疾患進行モデリング
疾患進行研究における異なる原因による死亡など、競合リスクを伴う時間-to-イベントデータを解析します。
これらのプロンプトを試す
Use scikit-survival to load the breast cancer dataset, split it into train and test sets, fit a Cox Proportional Hazards model, and evaluate using Uno's concordance index.
Compare CoxPHSurvivalAnalysis, RandomSurvivalForest, GradientBoostingSurvivalAnalysis, and FastSurvivalSVM on the GBSG2 dataset using cross-validation with concordance index scoring.
Use CoxnetSurvivalAnalysis with elastic net regularization to perform feature selection on high-dimensional survival data, then identify which features were selected.
Demonstrate competing risks analysis using cumulative_incidence_competing_risks. Show how to estimate cumulative incidence for different event types and compare between treatment groups.
ベストプラクティス
- SVMと正則化Coxモデルでは、適合前に特徴量を必ず標準化する
- 打ち切りが40%を超える場合はHarrell'sではなくUno's C-index (concordance_index_ipcw)を使う
- C-index、統合Brier score、時間依存AUCなど複数の評価指標を報告する
回避
- 競合リスクがあるのにKaplan-Meier推定量を使用する（代わりに累積発生関数を使用）
- Random Survival Forestの組み込み特徴量重要度を使用する（Permutation importanceを使用）
- 解釈前にCoxモデルの比例ハザード仮定を確認しない
よくある質問
Harrell'sとUno's C-indexの違いは何ですか？
競合リスクはどのように扱えばよいですか？
高次元データにはどのモデルを選ぶべきですか？
モデルのキャリブレーションはどう評価しますか？
scikit-survivalをscikit-learnのパイプラインで使えますか？
生存データにはどの前処理が必要ですか？
開発者の詳細
作成者
K-Dense-AIライセンス
GPL-3.0 license
リポジトリ
https://github.com/K-Dense-AI/claude-scientific-skills/tree/main/scientific-skills/scikit-survival参照
main
ファイル構成