scikit-survival

Escopo

Use esta habilidade para fluxos de trabalho do scikit-survival 0.28.0 envolvendo:

• Resultados estruturados com censura à direita;
• Cox PH, Coxnet, IPC ridge, árvores de sobrevivência, florestas, boosting e SVMs;
• Verificações orientadas à discriminação, erro de predição, calibração e predição dependente do tempo;
• Incidência cumulativa não paramétrica com riscos concorrentes;
• Pipelines scikit-learn, seleção de modelo aninhada e relatórios reproduzíveis.

O scikit-survival modela principalmente resultados com censura à direita. Seu suporte integrado para riscos concorrentes é a incidência cumulativa não paramétrica; ele não fornece regressão Fine-Gray. Não apresente a saída do modelo como aconselhamento clínico, evidência causal ou prova de utilidade clínica.

Snippets Python usando variáveis definidas no estudo, como X_train, y_train, frame ou times, são modelos de integração ilustrativos. Os testes de regressão nativos e as execuções de fumaça da CLI local usam pequenos conjuntos de dados sintéticos; eles não validam um estudo não fornecido, um conjunto de dados clínicos ou qualquer backend de dataframe opcional.

Lançamento atual e instalação

Verificado em 2026-10-01:

• Estável mais recente: scikit-survival 0.28.0, lançado em 2026-07-05.
• Python: 3.11 ou posterior; PyPI wheels cobrem CPython 3.11-3.14 em Linux x86-64, macOS x86-64/ARM64 e Windows x86-64.
• Limites de tempo de execução: NumPy >=2.0.0, pandas >=2.2.0, SciPy >=1.13.0, scikit-learn >=1.9.0,<1.10, OSQP >=1.0.2, narwhals >=2.0.1.
• 0.28 adiciona suporte a estimadores pandas/Polars através de narwhals e remove criterion de GradientBoostingSurvivalAnalysis.

Os testes de atualização nativos usaram Python 3.13 e o seguinte snapshot (NumPy 2.5.1 foi cacheado; este é um snapshot testado, não uma afirmação de que todos os pinos são os mais recentes). Crie um ambiente isolado:

uv venv .venv-survival --python 3.13
source .venv-survival/bin/activate
uv pip install \
  "scikit-survival==0.28.0" \
  "scikit-learn==1.9.1" \
  "numpy==2.5.1" \
  "pandas==3.0.6" \
  "scipy==1.18.1" \
  "ecos==2.0.14" \
  "osqp==1.1.3" \
  "joblib==1.6.0" \
  "numexpr==2.14.2" \
  "narwhals==2.26.0"

Rodas binárias são preferidas. Uma compilação a partir do código fonte requer um compilador C/C++; OSQP também pode exigir CMake. Esta habilidade é licenciada sob MIT; o pacote upstream scikit-survival é GPL-3.0-ou-posterior, portanto, revise o licenciamento upstream antes da redistribuição.

Fluxo de trabalho não negociável

1. Defina o estimando e a codificação do evento. Decida se o alvo é sobrevivência de todos os eventos, risco específico da causa ou incidência cumulativa específica da causa.
2. Valide os resultados. Estimadores padrão precisam de um array estruturado de dois campos: booleano de evento primeiro, tempo observado segundo. A CIF de risco concorrente em vez disso precisa de um vetor de evento inteiro separado: 0=censurado, 1..K=causas.
3. Divida antes do pré-processamento aprendido. Nunca ajuste imputadores, codificadores, escaladores, seletores de recursos ou escolhas de alfa em todas as linhas antes de dividir.
4. Ajuste o pré-processamento dentro de um pipeline. Categorias desconhecidas e valores ausentes devem ser tratados usando apenas o estado da dobra de treinamento.
5. Ajuste sem reutilizar dados de avaliação. Use CV aninhado ao relatar desempenho ajustado com validação cruzada, ou reserve um holdout final verdadeiramente intocado.
6. Ajuste as distribuições de censura em dados de treinamento. Concordância IPCW, AUC dinâmica e métricas de Brier recebem survival_train, nunca um resultado combinado de treino+teste.
7. Restrinja os tempos de avaliação. Use uma grade estritamente crescente dentro do acompanhamento de teste e abaixo do final do suporte de treinamento onde a sobrevivência estimada de censura permanece positiva.
8. Combine as predições com as métricas. Concordância/AUC dinâmica consomem pontuações de maior risco. Métricas de Brier consomem probabilidades de sobrevivência com forma (n_test, n_times), não pontuações de risco ou funções de passo não avaliadas.
9. Trate causas concorrentes explicitamente. Probabilidades de sobrevivência padrão e CIFs respondem a perguntas diferentes. Nunca estime a probabilidade específica do evento com 1 - Kaplan-Meier enquanto censura eventos concorrentes.
10. Relate os limites. Separe discriminação, calibração, erro de predição e incidência cumulativa. Nenhum deles sozinho estabelece utilidade de decisão ou clínica.

Construção de resultado

from sksurv.util import Surv

y = Surv.from_arrays(event=event_bool, time=observed_time)
# Equivalent for pandas or Polars:
y = Surv.from_dataframe("event", "time", frame)

O primeiro campo é booleano (True=evento, False=censurado à direita); o segundo é tempo em ponto flutuante. Os nomes dos campos podem variar, mas a ordem e o significado dos campos não podem.

…