ALGORITHM FLOW / CLINICAL PREDICTION
Parametric Bayesian survival modelling, sequential posterior updating, and paired evidence against complete-data retraining.
本研究将 Exponential 与 Weibull 贝叶斯参数生存模型置于分阶段临床数据环境中。模型更新分支把前一阶段后验摘要转化为下一阶段先验，并仅利用新分区资料进行推断；全量重训分支则使用累计数据重新拟合。两条路径在同一未来分区上比较 C-index、实践等价性、参数后验重叠和采样诊断，从而评估顺序更新能否在减少历史数据重访的同时保留预测表现。
METHOD FRAMEWORK
数据、后验学习与验证使用不同颜色区分。点击任意节点，下方详情区将展示该步骤的统计说明、复现图表及结果数据下载。
临床队列、顺序分区和阶段内预处理
参数模型、MCMC 推断与两条训练路径
STAGE s · PARAMETRIC BAYESIAN MODEL
前一后验摘要转换为当前先验；仅使用新分区资料。
使用累计历史数据，从默认先验重新进行推断。
未来分区预测、等价性与后验一致性
REPRODUCTION FIGURES & TABLES
DOWNLOAD DATA
POSTERIOR MEAN PREDICTION
选择疾病队列后，输入字段将切换为该模型实际使用的特征。可手工填写、导入 CSV，或下载并重新导入对应示例文件。
预测使用当前复现保存的更新分支后验样本，并输出预测中位生存时间及 95% 后验区间。
尚未导入文件。
请先选择疾病、输入特征并生成预测。
TRAINING DATA & POSTERIOR FITTING
导入训练 CSV 后，后端以 NUTS/MCMC 实际拟合所选的贝叶斯生存模型，并导出可再次导入预测页的模型文件。
训练数据须包含所选疾病的全部特征列、时间列与事件列；示例文件与当前复现实验的数据结构一致。
尚未导入训练数据。
训练完成后会报告实际 MCMC 诊断，并导出包含特征标准化参数与后验抽样的模型文件。