Tabellarische Basismodelle meistern Überlebensanalyse – neue Methode

In einer bahnbrechenden Veröffentlichung auf arXiv wird gezeigt, dass tabellarische Basismodelle – die bislang vor allem in Klassifikations- und Regressionsaufgaben glänzen – nun auch die komplexe Aufgabe der Überlebensanalyse bewältigen können. Durch eine clevere Umformulierung des Problems in eine Folge von binären Klassifikationsaufgaben wird die Herausforderung des Right‑Censorings elegant adressiert.

Die Autoren entwickeln ein Framework, das Zeitpunkte für das Auftreten eines Ereignisses diskretisiert und jede Zeitstufe als eigenes Klassifikationsproblem behandelt. Beobachtungen, die vor dem Eintreten des Ereignisses enden, werden dabei automatisch als fehlende Labels für bestimmte Zeitpunkte interpretiert. Diese Darstellung ermöglicht es bestehenden tabellarischen Basismodellen, Überlebenswahrscheinlichkeiten mittels In‑Context‑Learning zu schätzen, ohne dass ein spezielles Training erforderlich ist.

Unter den üblichen Annahmen zum Censoring beweisen die Forscher, dass die Minimierung der binären Klassifikationsverluste die wahren Überlebenswahrscheinlichkeiten asymptotisch rekonstruiert. In umfangreichen Tests über 53 reale Datensätze übertreffen die Modelle sowohl klassische statistische Verfahren als auch moderne Deep‑Learning‑Ansätze durchschnittlich über mehrere Überlebensmetriken hinweg. Diese Ergebnisse markieren einen bedeutenden Fortschritt für die Anwendung von Basismodellen in der Zeit‑bis‑Ereignis‑Analyse.