Glosario IA
El diccionario completo de la Inteligencia Artificial
Análisis de Supervivencia Profundo
Aplicación de redes neuronales profundas para modelar datos de supervivencia, permitiendo capturar relaciones no lineales complejas entre las covariables y el riesgo de evento.
Censura Temporal (Time Censoring)
Fenómeno donde el evento de interés no es observado para ciertas unidades antes del final del estudio, creando datos incompletos que requieren métodos de análisis específicos.
Función de Riesgo (Hazard Function)
Función que describe la tasa instantánea de ocurrencia del evento en un tiempo t, condicionalmente a la supervivencia hasta ese tiempo, modelada de manera diferente en los enfoques de deep learning.
DeepHit
Arquitectura de red neuronal profunda que modela directamente la distribución de supervivencia discreta sin suposiciones paramétricas sobre la forma de la función de riesgo.
Censura a Derecha (Right Censoring)
Tipo de censura más común en análisis de supervivencia donde se sabe que el tiempo de supervivencia es superior a un cierto valor observado, pero el valor exacto es desconocido.
Pérdida de Supervivencia (Survival Loss)
Función de pérdida específicamente diseñada para modelos de análisis de supervivencia, teniendo en cuenta tanto los tiempos de evento observados como los datos censurados en la optimización.
Red de Cox Profunda (Deep Cox Network)
Extensión del modelo de Cox proporcional utilizando una red neuronal para aprender una representación no lineal de las covariables manteniendo la hipótesis de proporcionalidad de los riesgos.
Kaplan-Meier Neuronal (Neural Kaplan-Meier)
Enfoque de deep learning que estima la función de supervivencia combinando la flexibilidad de las redes neuronales con las propiedades no paramétricas del estimador de Kaplan-Meier.
Censura informativa (Informative Censoring)
Situación donde el mecanismo de censura está relacionado con el riesgo de evento, violando la hipótesis de censura no informativa y requiriendo modelos de supervivencia más sofisticados.
Predicción de tiempo hasta el evento
Tarea de predicción que busca estimar el tiempo hasta la ocurrencia de un evento específico, utilizando modelos de deep learning para manejar la complejidad y la censura de los datos.
Curva de supervivencia
Representación gráfica de la probabilidad de supervivencia a lo largo del tiempo, estimada por los modelos de deep learning a partir de los datos de entrenamiento y las predicciones individuales.
Índice de concordancia (C-index)
Métrica de evaluación específica para el análisis de supervivencia que mide la capacidad del modelo para ordenar correctamente los tiempos de evento entre los pares de individuos.
Modelos de supervivencia dinámicos con deep learning
Modelos de deep learning que incorporan datos longitudinales o secuenciales para actualizar continuamente las predicciones de supervivencia a lo largo del tiempo.
Riesgos competitivos
Situación donde múltiples tipos de eventos mutuamente excluyentes pueden ocurrir, requiriendo modelos de deep learning multi-tarea para estimar los riesgos específicos a cada causa.
Redes neuronales recurrentes para supervivencia
Uso de RNN o LSTM para modelar datos de supervivencia secuenciales donde las covariables evolucionan en el tiempo antes de la ocurrencia del evento.
Modelos de supervivencia basados en atención
Arquitecturas de deep learning que utilizan mecanismos de atención para identificar las covariables más influyentes en el riesgo de supervivencia en diferentes momentos.
Modelos de Fragilidad en Deep Learning
Extensión de los modelos de supervivencia deep learning que incorporan efectos aleatorios (fragilidad) para capturar la heterogeneidad no observada entre individuos o grupos.
SurvivalGAN
Redes generativas antagónicas diseñadas específicamente para sintetizar datos de supervivencia realistas preservando las características de censura y las distribuciones de tiempo.
Aprendizaje de Supervivencia Multi-Tarea
Enfoque de aprendizaje donde el modelo de supervivencia se entrena simultáneamente en múltiples tareas relacionadas para mejorar la generalización y capturar relaciones compartidas.