Thèse Année : 2024

Integrating longitudinal data for enhanced survival analysis : methods and applications

Intégration des données longitudinales pour une analyse de survie améliorée: méthodes et applications

Résumé

The increasing availability of longitudinal data offers significant opportunities to improve survival models by allowing dynamic updates to risk assessments over time. However, the integration of this data into survival models remains limited due to the complexity of longitudinal data, computational challenges posed by highdimensional datasets, and difficulties in interpretation. This limitation creates a critical gap in the field, restricting the ability to make accurate and real-time predictions in situations where risk factors change over time. This thesis aims to bridge this gap by developing new frameworks for survival analysis that effectively incorporate censored survival data alongside multivariate longitudinal data. The first framework develops a new joint model where a key feature is the use of generic features extracted from the longitudinal data directly in the survival model. In addition, these generic features are independent of assumptions in the longitudinal model making it suitable for high-dimensional longitudinal markers. The second framework leverages recent advances in deep learning and differential equations to learn data-driven latent states, which are then used to model the intensity function of counting processes. These proposed methods demonstrate strong predictive performance in extensive real-time survival analysis experiments and are designed to be both user-friendly and scalable for high-dimensional problems. The practical application of these frameworks is illustrated through their use in churn prediction at Califrais. By effectively integrating customer order data, these models provide more accurate predictions of churn risk, allowing businesses to take proactive measures to retain customers. This research contributes to the field by providing advanced tools for survival analysis and establishes a foundation for further developments aimed at fully integrating longitudinal data into survival models in various applied domains.
La disponibilité croissante des données longitudinales offre des opportunités significatives pour améliorer les modèles de survie en permettant des mises à jour dynamiques des évaluations des risques au fil du temps. Cependant, l’intégration de ces données dans les modèles de survie reste limitée en raison de la complexité des données longitudinales, des défis computationnels posés par les ensembles de données de haute dimension, et des difficultés d’interprétation. Cette limitation crée un écart crucial dans le domaine, restreignant la capacité à faire des prédictions précises et en temps réel dans des situations où les facteurs de risque évoluent au fil du temps. Cette thèse vise à combler cet écart en développant de nouveaux cadres d’analyse de survie qui intègrent efficacement les données de survie censurées aux côtés des données longitudinales multivariées. Le premier cadre propose un nouveau modèle conjoint dont une caractéristique clé est l’utilisation de caractéristiques génériques extraites des données longitudinales directement dans le modèle de survie. En outre, ces caractéristiques génériques sont indépendantes des hypothèses du modèle longitudinal, ce qui les rend adaptées aux marqueurs longitudinaux de haute dimension. Le second cadre s’appuie sur les récentes avancées en apprentissage profond et en équations différentielles pour apprendre des états latents guidés par les données, qui sont ensuite utilisés pour modéliser la fonction d’intensité des processus de comptage. Ces méthodes proposées démontrent de solides performances prédictives dans des expériences d’analyse de survie en temps réel et sont conçues pour être à la fois évolutives pour les problèmes de haute dimension. L’application pratique de ces cadres est illustrée par leur utilisation dans la prédiction de l’attrition chez Califrais. En intégrant efficacement les données de commandes des clients, ces modèles fournissent des prédictions plus précises du risque d’attrition, permettant ainsi aux entreprises de prendre des mesures proactives pour fidéliser leurs clients. Cette recherche contribue au domaine en fournissant des outils avancés pour l’analyse de survie et établit une base pour de futurs développements visant à intégrer pleinement les données longitudinales dans les modèles de survie dans divers domaines appliqués.
Fichier principal
Vignette du fichier
PhD_thesis_template_Université_Paris_Cité___Van_Tuan_NGUYEN.pdf (7.72 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Dates et versions

tel-04903680 , version 1 (21-01-2025)

Licence

Domaine public

Identifiants

  • HAL Id : tel-04903680 , version 1

Citer

van Tuan Nguyen. Integrating longitudinal data for enhanced survival analysis : methods and applications. Statistics [stat]. Universite Paris Cité, 2024. English. ⟨NNT : ⟩. ⟨tel-04903680⟩
0 Consultations
0 Téléchargements

Partager

More