Imputation Free Deep Survival Prediction with Conditional Variational Autoencoders
Rattachement africain : gb, us. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Electronic Health Records (EHRs) provide rich opportunities for developing risk prediction tools to support clinical decision-making, yet they are inherently incomplete because data are recorded selectively during routine care. Such missingness may be informative, reflecting clinical judgment and patient status, and missing data patterns can shift between model development and real-world deployment. These challenges limit the reliability and transportability of predictive models in healthcare settings. We propose an imputation-free framework that jointly trains Conditional Variational Autoencoders with deep survival models to enable risk prediction directly from incomplete EHR data. We demonstrate the approach using the deep survival model DeSurv and evaluate its performance through simulation studies and two retrospective cohorts from the Clinical Practice Research Datalink primary care database. The proposed framework consistently outperforms conventional missing data methods, achieving superior performance on ground-truth metrics in simulations and improved calibration-based survival metrics in real-world cohorts. It also demonstrates increased robustness to unseen missingness patterns and distributional shifts. By providing a unified strategy for handling missing data across development, validation, and deployment, this work advances methodological robustness in healthcare informatics and supports more reliable clinical risk prediction in practice. Supplementary Information: The online version contains supplementary material available at 10.1007/s41666-026-00234-y.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Imputation Free Deep Survival Prediction with Conditional Variational Autoencoders
- Date Crossref
- 10/04/2026
- Éditeur
- Springer Science and Business Media LLC
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Où se fait cette recherche
-
University of Oxford Nuffield Department of Women's & Reproductive Health pays non établi dans la noticeUniversité ou école supérieure
-
The Alan Turing Institute pays non établi dans la noticeStructure de recherche
-
Health Data Research UK pays non établi dans la noticeOrganisation à but non lucratif
-
University of Birmingham Department of Applied Health Sciences pays non établi dans la noticeUniversité ou école supérieure
-
King's College - North Carolina pays non établi dans la noticeUniversité ou école supérieure
-
King's College London pays non établi dans la noticeUniversité ou école supérieure
-
Kings College London Department of Population Health Sciences pays non établi dans la noticeUniversité ou école supérieure
Nuffield Department of Women's & Reproductive Health — University of Oxford, The Alan Turing Institute et Health Data Research UK, avec 4 autres affiliations.
Une affiliation ne permet pas de déduire la nationalité d’un auteur.