---

با توجه به سرعت بالای شیوع بیماری ناشی از ویروس کرونا به نظر می‌رسد انتقال این بیماری تا حد بسیار زیادی متاثر از موقعیت مکانی افراد آلوده به ویروس است. از زمان آغاز پاندمی، مدل‌های زیادی برای تحلیل زمان بقای بیماران مبتلا به این ویروس استفاده شده است. چون یکی از عوامل مهم خطر، همبستگی فضایی بین زمان‌های بقا است، برای وارد کردن این اثر در مدل بقا، عموماً از یک میدان تصادفی گاوسی استفاده می‌شود. اما فرض گاوسی بودن اثرات تصادفی به دلیل چولگی توزیع زمان بقای بیماران در عمل مطابق با واقعیت نیست. در این مقاله با در نظر گرفتن اثرات تصادفی چوله گاوسی یک مدل بقای فضایی جدید معرفی شده و با تعیین تابع درستنمایی، پارامترهای آن برآورد شده است. سپس در قالب یک مطالعه شبیه‌سازی عملکرد مدل پیشنهادی مورد ارزیابی قرار گرفته است. در خاتمه نحوه کاربست مدل معرفی شده برای تحلیل داده‌های زمان بقای بیماران مبتلا به کووید-19  ارائه شده است.

---

گاهی در عمل زمان تا وقوع یک رویداد می‌تواند متاثر از مکان باشد که این  نوع از مشاهدات داده بقای فضایی نامیده می‌شوند. برآورد سریع و دقیق پارامترها در مدل بقای فضایی بواسطه پیچیده بودن تابع درستنمایی یکی از چالش‌های استفاده از رویکرد فراوانی‌گرا است که همین امر استفاده از رویکرد بیزی در تحلیل بقا را پررنگ نموده است. در یک مدل بقای فضایی بیزی، همبستگی فضایی بین زمان‌های رویداد با استفاده از یک مدل زمین‌آماری تبیین می‌شود. در این  مقاله در قالب یک مطالعه شبیه‌سازی به برآورد پارامترهای مدل‌های کلاسیک و فضایی بقا پرداخته می‌شود و عملکرد هر کدام از مدل‌ها در برازش به داده‌های بقای شبیه‌سازی شده مورد ارزیابی قرار می‌گیرد. در نهایت نشان داده می‌شود که مدل بقای فضایی در تحلیل داده‌های سرطان خون کارایی بهتری نسبت به مدل‌های مرسوم دارد.

---

با توجه به حجم و پیچیدگی  داده‌های نوظهور در تحلیل بقا، بکارگیری روش‌های یادگیری آماری در این حوزه به امری اجتناب ناپذیر بدل شده است. این روش‌ها قادر به برآورد احتمال بقا و تأثیر عوامل مختلف بر بقا هستند. در این مقاله، عملکرد مدل کاکس به عنوان یک مدل رایج در تحلیل بقا با روش‌های مبتنی بر تاوان مانند کاکس ریج و لاسو و  روش‌های مبتنی بر یادگیری آماری مانند جنگل بقای تصادفی و شبکه عصبی مورد مقایسه قرار گرفته است. نتایج شبیه‌سازی‌ها در این مطالعه نشان می‌دهد که در شرایط وجود رابطه خطی بین متغیرها، عملکرد مدل‌های مذکور تقریباً مشابه مدل کاکس است اما در حالات غیرخطی و بالا بودن بعد متغیرها، روش‌هایی مانند کاکس لاسو، جنگل بقای تصادفی و شبکه عصبی عملکرد بهتری دارند. درنهایت به منظور ارزیابی عملکرد این مدل‌ها در تحلیل داده‌های بیماران مبتلا به آترواسکلروز مورد استفاده قرار گرفتند و نتایج نشان داد که در مواجهه با داده‌هایی با تعداد متغیرهای تبیینی زیاد، رویکردهای یادگیری آماری به طور کلی عملکرد بهتری نسبت به مدل‌های کلاسیک تحلیل بقا دارند.