SCIENTIFIC REPORTS · 2023 · ACTG175
Survival
Contrast Learning
从治疗前特征出发，构建以1000天生存为目标的个体化治疗规则。研究链路把ACTG175数据、伪值生存分析、IPW/DR对比学习、加权分类和最终治疗规则完整连接起来。
查看研究摘要与项目范围 ＋
本项目根据论文提出的accountable survival contrast-learning方法，将其应用于ACTG175随机临床试验数据。二臂规则在ZDV+ddI与ZDV+zal之间进行个体化选择；三臂MDWL规则在ZDV+ddI、ZDV+zal与ddI之间通过pairwise比较进行投票。结局固定为1000天生存，网页中的曲线、表格和患者级推荐均来自项目分析结果。
1000-day survival6 baseline featuresbinary + multi-treatment
PRIMARY OUTCOME1000days survival
2,139raw subjects
4treatment arms
6baseline features
6paper methods
Click each node below to inspect the actual input, formula, output, chart or downloadable table.
MODULE 01
Research Pipeline
三条泳道对应一个完整研究链路。节点可展开，分支表示不同的论文算法路径。
01数据处理DATA PROCESSING
→→→
prepared input↓
02模型训练 · 算法MODEL TRAINING / ALGORITHM
→↗→↗
estimated rule↓
03模型输出MODEL OUTPUT
→→→
＋
NODE DETAIL
点击链路节点查看详情
这里会原位展示该步骤的论文理念、核心表达、结果图像和可下载表格。
MODULE 02
Model Prediction
输入一位患者的治疗前指标，查看当前规则如何在候选方案之间进行选择。
默认 PDWL · 1000 days
PATIENT PROFILE
治疗前指标
MODEL SOURCE
默认 / 自定义
默认模型项目保存的1000天标准化JSON模型
g(H)
MODEL OUTPUT
推荐治疗方案是：
等待输入患者指标后生成结果。
RESULT READING
如何阅读推荐
推荐方案 · Recommendation当前患者在治疗规则下被分配的候选治疗。
治疗差异 · ContrastQ模型或DR/IPW得到的方案差异，正负表示方向。
决策分数 · Score分类规则的线性分数，用于划分治疗方向。
政策生存 · Policy value将规则应用于整个人群后的1000天生存评价。
BATCH
CSV批量预测
保留原始行号；结果会先在网页中展示，也可以下载完整CSV。
MODULE 03
Model Training
当前入口按ACTG175字段与1000天结局重新拟合PDWL或MDWL。
1000 daysfixed outcome target
TRAINING DATA
选择模型和CSV
ACTG175 training columns
age_years · sex_male · weight_kg · cd4_baseline · karnofsky · preanti_days · arm · time/event兼容：age/gender/wtkg/cd40/karnof/days/cens；也兼容time_1000_days/event_1000。当前训练范围此入口先服务ACTG175应用。后续可另建通用入口，接受满足论文方法结构的数据集。
等待训练数据