---

در تحلیل داده های بقا، هنگامی که نسبتی از افراد شفایافته هستند و زمان های رخداد پیشامد با یکدیگر همبسته می باشند، از مدل شکنندگی شفایافتگی استفاده می شود. در این مقاله هدف تحلیل دو نوع شکنندگی همبسته از دیدگاه بیزی در مدل شفایافتگی ناآمیخته برای مجزا کردن اثرات تصادفی اختصاصی و مشترک موجود بین آزمودنی ها می باشد، این مدل ها عبارتند از: (1) مدل شکنندگی همبسته شفایافتگی (2) مدل شکنندگی همبسته شفایافتگی با زمان پیشرفت. در این مدل ها تابع درستنمایی را براساس تابع نمایی تکه ای فرمول بندی نموده و پارامترهای آنها را با رهیافت بیز سلسله مراتبی برآورد می کنیم. از آنجایی که توزیع های پسینی دارای فرم بسته نمی باشند، برآورد مشخصات توزیع های پسینی با بکارگیری روش های مونت کارلوی زنجیر مارکوفی به دست می آیند. برای مقایسه مدل شکنندگی همبسته کاکس را بکار می بریم. براساس معیار اطلاع کیبش مدل های شکنندگی همبسته شفا یافتگی به مدل شکنندگی همبسته کاکس برتری دارند. در انتها داده های پیوند قرینه دو طرفه مورد تحلیل قرار می گیرد.

---

مدل‌های تحلیل بقا معمولا براساس فرض همگن بودن جامعه مورد مطالعه قرار می گیرند. این در حالی است که به دلیل اثرات تصادفی فردی غیرقابل مشاهده، چنین فرضی اغلب واقع گرایانه نیست. در واقع عدم در نظر گرفتن اثرات فردی در تحلیل بقا منجر به نتایج غیرواقعی می‌شود. لذا در این حالت مدل‌های آمیخته با اثرات تصادفی پیشنهاد می‌شوند که در تحلیل بقا به مدل‌های شکنندگی مشهور هستند. در این مقاله توزیع خانواده واریانس توانی به عنوان خانواده کلی و توزیع‌های گاما و وارون گاوسی به عنوان دو حالت خاص برای اثرات شکنندگی تصادفی معرفی و ارزیابی می‌شوند. سپس با استفاده از مدل‌های شکنندگی پارامتری خطرات متناسب با توزیع وایبل برای مخاطره پایه و توزیع گاما و وارون گاوسی برای اثرات شکنندگی، داده‌های مربوط به بقای مبتلایان به سرطان کولورکتال تحلیل شده‌اند

---

روش‌شناسی کاهش بعد بسنده یک راهکار مؤثر برای تسهیل در تحلیل رگرسیونی با داده‌های با بعد بالاست. هنگامی که پاسخ‌ها سانسور شده باشند، برآوردگرهای موجود را نمی‌توان به‌کار برد یا به شرایط محدودکننده‌ای نیاز است. در این مقاله، برای کاهش بعد داده‌های رگرسیونی سانسور شده غیرخطی، اصلاحی از روش رگرسیون وارون ورقه شده ‌نوع دو پیشنهاد شده است. روش پیشنهادی، اولاً به هیچ مدل از پیش تعیین شده‌ای نیاز ندارد، ثانیاً اطلاعات کامل رگرسیونی را حفظ کرده و مجموعه‌ کوچکی از ترکیب پیشگوها را ارائه می‌دهد که فرمول‌بندی مدل و پیش‌بینی براساس این مجموعه انجام می‌گیرد. در انتها عملکرد این روش‌، علاوه بر داده‌های شبیه‌سازی شده، برای مجموعه‌ داده‌های واقعی سیروز صفراوی اولیه‌ کبد مورد بررسی قرار گرفته و نتایج روش معرفی شده با روش رگرسیون وارون ورقه شده ‌نوع یک مقایسه 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.