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
PhD_thesis_template_Université_Paris_Cité___Van_Tuan_NGUYEN.pdf (7.72 Mo)
Télécharger le fichier
Origine | Fichiers produits par l'(les) auteur(s) |
---|