في عالم البيانات المتنامي، تعتبر بيانات الوقت حتى الحدث (Time-to-event Data) من العناصر الأساسية المستخدمة في مجالات مثل علوم الحياة والهندسة. لكن هذه البيانات غالبًا ما تُواجه مشكلة التعتيم (Censoring)، مما يُعقد تطبيق الأساليب التقليدية في التعلم الآلي. لتحقيق تحليل أكثر دقة، ظهرت نماذج كوكسي العميقة (Deep Cox Models) كخيار شهير، حيث تُظهر قدرة فائقة على التعامل مع بيانات التعتيم وتتيح استخدام بيانات غير منظمة، مثل التقارير السريرية والنصوص الجينية وصور علم الأمراض.

مع ذلك، لا تزال النماذج تُواجه تحديات تتعلق بدقة توقعات احتمالات البقاء التي تُقدمها. تُظهر الأبحاث أن هذه التوقعات غالبًا ما تكون غير مُعدلة بشكل جيد، مما يحد من الفائدة العملية لهذه النماذج. في هذا البحث، نقترح أسلوبًا مبتكرًا يُعرف بالانحدار الإيزوتوني (Isotonic Regression) لتحسين دقة هذه التوقعات. هذا الأسلوب يضيف طبقة من الدقة على التوقعات المُنْتَجة دون التأثير على القدرة التمييزية للنموذج.

لقد وضعنا ضمانات نظرية إيجابية، تشمل خاصية مقاومة مزدوجة (Double-robustness) والتعديل الأسيمطوي (Asymptotic Calibration). تُظهر التجارب التي أجريناها على بيانات سريرية حقيقية وبيانات اصطناعية أن الطريقة المُقترحة تُحقق فعالية ملحوظة.

نتطلع إلى فهم أعمق حول كيفية استخدام هذه الطرق الجديدة لتحسين نتائج التحليل في مجالات مختلفة. كيف ترون تأثير التطورات الجديدة في نماذج تحليل البيانات على صناعاتكم؟