🤖 machine learning

Counterfactual Survival Q-learning via Buckley-James Boosting, with Applications to ACTG 175 and CALGB 8923

यह शोध पत्र एक लचीले बकल-जेम्स बूस्टिंग क्यू-लर्निंग (Buckley-James Boosting Q-learning) ढांचे का प्रस्ताव करता है जो राइट-सेंसर्ड सर्वाइवल डेटा से आनुपातिक जोखिम धारणाओं (proportional hazards assumptions) पर निर्भर किए बिना इष्टतम गतिशील उपचार व्यवस्था (optimal dynamic treatment regimes) का अनुमान लगाने के लिए त्वरित विफलता समय मॉडलिंग (accelerated failure time modeling) को पुनरावृत्ति बूस्टिंग के साथ जोड़ता है, जो एचआईवी (HIV) और ल्यूकेमिया क्लिनिकल ट्रायल के सिमुलेशन और विश्लेषण दोनों में बेहतर सटीकता और स्थिरता प्रदर्शित करता है।

मूल लेखक: Jeongjin Lee, Jong-Min Kim

प्रकाशित 2026-07-03

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jeongjin Lee, Jong-Min Kim

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक डॉक्टर हैं जो किसी मरीज के लिए सबसे अच्छा उपचार पथ तय करने की कोशिश कर रहे हैं। एक आदर्श दुनिया में, आप हर मरीज के लिए एक "क्या-होता-अगर" (what-if) सिमुलेशन चला सकते हैं: "यदि हम दवा A देते हैं, तो वे कब तक जीवित रहेंगे? यदि हम दवा B देते हैं, तो वे कब तक जीवित रहेंगे?" फिर, आप विजेता को चुन लेंगे।

लेकिन वास्तविक दुनिया में, मरीज अध्ययन से बाहर हो जाते हैं, संपर्क टूट जाता है, या अध्ययन अंतिम परिणाम जानने से पहले ही समाप्त हो जाता है। इसे सेंसिंग (Censoring) कहा जाता है। यह एक फुटबॉल खेल का अंतिम स्कोर अनुमान लगाने की कोशिश करने जैसा है जब रेफरी समय से पहले ही सीटी बजा देता है। आपके पास केवल अधूरा डेटा होता है।

यह शोध पत्र उन "क्या-होता-अगर" अनुमानों (जिन्हें डायनेमिक ट्रीटमेंट रेजिम्स कहा जाता है) को लगाने का एक नया, स्मार्ट तरीका प्रस्तावित करता है, भले ही डेटा अधूरा हो और खेल के नियम जटिल हों।

यहाँ उनके नए तरीके, BJ Boost Q-learning का विवरण सरल उपमाओं (analogies) के साथ दिया गया है:

1. समस्या: "हज़ार्ड" का जाल बनाम "समय" की सच्चाई

अधिकांश पारंपरिक तरीके (जैसे प्रसिद्ध कॉक्स मॉडल) हज़ार्ड्स (Hazards) (किसी विशिष्ट क्षण पर मृत्यु का जोखिम) को देखकर उत्तरजीविता (survival) की भविष्यवाणी करने की कोशिश करते हैं।

उपमा: कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक कार कब तक चलेगी, लेकिन आप केवल इस बात पर ध्यान केंद्रित करते हैं कि अभी इसी वक्त उसके खराब होने की कितनी संभावना है। यह तब अच्छा काम करता है जब कार एक स्थिर, अनुमानित दर पर खराब होती है। लेकिन अगर कार में समय के साथ जटिल, अजीब समस्याएं आती हैं (non-linear), तो यह तरीका भ्रमित हो जाता है और गलत भविष्यवाणियां करता है।
शोध पत्र का समाधान: लेखक एक एक्सेलेरेटेड फेल्योर टाइम (AFT) मॉडल का उपयोग करते हैं।
उपमा: जोखिम का अनुमान लगाने के बजाय, वे सीधे कितने मील कार चलेगी इसकी भविष्यवाणी करते हैं। वे पूछते हैं, "क्या यह उपचार इंजन के जीवन में 10,000 मील जोड़ता है?" यह बहुत अधिक सहज है और इस धारणा पर निर्भर नहीं करता कि जोखिम स्थिर रहता है।

2. इंजन: "बूस्टिंग" (विशेषज्ञों की एक टीम)

अधूरे और बिखरे हुए डेटा को संभालने के लिए, वे बूस्टिंग (Boosting) नामक तकनीक का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आप एक विशाल कद्दू का वजन अनुमान लगाने की कोशिश कर रहे हैं।
- विधि A (लीनियर रिग्रेशन): आप एक विशेषज्ञ से पूछते हैं जो केवल कद्दू के व्यास के आधार पर अनुमान लगाता है। यदि कद्दू अजीब आकार का है, तो वह गलत होगा।
- विधि B (BJ बूस्टिंग): आप 100 विशेषज्ञों की एक टीम रखते हैं। पहला विशेषज्ञ एक अनुमान लगाता है। दूसरा विशेषज्ञ देखता है कि पहला वाला कहाँ गलत था और उसे सुधारने की कोशिश करता है। तीसरा विशेषज्ञ दूसरे की गलतियों को ठीक करता है, और इसी तरह।
- परिणाम: कई छोटे, सरल सुधारों को जोड़कर, यह टीम अविश्वसनीय रूप से सटीक हो जाती है, भले ही कद्दू का आकार अजीब क्यों न हो (non-linear डेटा)।

शोध पत्र दो प्रकार के "विशेषज्ञों" का परीक्षण करता है:

लीनियर एक्सपर्ट्स (Linear Experts): सरल, सीधी रेखा वाले संबंधों के लिए अच्छे हैं।
ट्री एक्सपर्ट्स (Tree Experts - रिग्रेशन ट्री): जटिल, शाखाओं वाले संबंधों के लिए अच्छे हैं (जैसे "यदि मरीज युवा है AND उच्च रक्तचाप है, तो X करें; अन्यथा, Y करें")।

3. "जादुई" कदम: बकली-जेम्स इम्प्यूटेशन (Buckley-James Imputation)

चूंकि कुछ मरीज बीच में ही बाहर हो गए (censored data), इसलिए उन्हें उनकी वास्तविक उत्तरजीविता अवधि का पता नहीं है।

उपमा: एक दौड़ की कल्पना करें जहाँ कुछ धावक ट्रैक को जल्दी छोड़ देते हैं। आपको नहीं पता कि वे वास्तव में कितनी दूर तक दौड़ते।
शोध पत्र की ट्रिक: बकली-जेम्स (Buckley-James) विधि एक स्मार्ट रेफरी की तरह काम करती है। यह दौड़ पूरी करने वाले धावकों और जल्दी छोड़ने वाले धावकों दोनों को देखती है। यह दौड़ पूरी करने वालों के पैटर्न का उपयोग करके यह इम्प्यूट (impute) करती है (अनुमान लगाती है) कि जल्दी छोड़ने वालों ने कितनी दूरी तय की होगी। यह इसे बार-बार (iteratively) करती है, अनुमान को तब तक परिष्कृत करती रहती है जब तक कि वह स्थिर न हो जाए।

4. रणनीति: Q-लर्निंग (शतरंज का खिलाड़ी)

अध्ययन चरणों में दिए जाने वाले उपचारों को देखता है (चरण 1, फिर चरण 2, आदि)।

उपमा: शतरंज के खेल के बारे में सोचें। आप केवल अगले कदम को नहीं देखते; आप पूरे खेल को देखते हैं। Q-लर्निंग एक शतरंज AI की तरह है जो खेल के अंत से पीछे की ओर काम करके हर चाल के मूल्य को सीखता है।
यहाँ यह कैसे काम करता है: एल्गोरिदम परीक्षण के अंत (चरण 2) से शुरू होता है, वहां के सबसे अच्छे कदम का पता लगाता है, और फिर पीछे की ओर चरण 1 की ओर बढ़ता है। यह पूछता है, "यदि मैं अभी उपचार A चुनता हूँ, तो भविष्य में मैं सबसे अच्छा क्या उम्मीद कर सकता हूँ?" यह प्रत्येक मरीज के लिए एक व्यक्तिगत रणनीति बनाने की अनुमति देता है।

5. उन्होंने क्या पाया (परिणाम)

लेखकों ने अपने नए "टीम ऑफ ट्री एक्सपर्ट्स" का पुराने "सिंगल लीनियर एक्सपर्ट" और "हज़ार्ड-आधारित" तरीकों के साथ परीक्षण किया।

सिमुलेशन (अभ्यास खेल): उन्होंने नकली मरीज डेटा बनाया जहाँ नियम पेचीदा और गैर-रेखीय (non-linear) थे।
- विजेता: BJ-Tree विधि (ट्री विशेषज्ञों की टीम) स्पष्ट विजेता थी। इसने उच्च सटीकता के साथ मरीजों के लिए सबसे अच्छा उपचार निर्धारित किया (एकल-चरण में 90% से अधिक, दो-चरण में 84%)।
- हारने वाला: पारंपरिक "हज़ार्ड" विधि (Cox-आधारित) बुरी तरह संघर्ष करती है, और 50% से भी कम बार सही उत्तर देती है। यह एक हथौड़े से पहेली सुलझाने की कोशिश करने जैसा था।
- निष्कर्ष: जब डेटा बिखरा हुआ हो और संबंध जटिल हों, तो लचीला "ट्री" दृष्टिकोण जीतता है।
वास्तविक दुनिया के परीक्षण:
- ACTG 175 (HIV ट्रायल): उन्होंने इसे एक वास्तविक HIV अध्ययन पर लागू किया। नए तरीके ने अधिकांश रोगियों के लिए एकल दवा के ऊपर संयोजन चिकित्सा (combination therapy) की पुरजोर सिफारिश की, जिससे पुष्टि हुई कि डॉक्टर पहले से ही क्या संदेह कर रहे थे।
- CALGB 8923 (ल्यूकेमिया ट्रायल): दो-चरणीय ल्यूकेमिया परीक्षण में, नया तरीका अधिक सतर्क था। जहाँ पुराने तरीकों ने कहा "निश्चित रूप से यह करें," वहीं नए Tree-based तरीके ने कहा, "यह मरीज पर निर्भर करता है।" इसने पाया कि कई मरीजों के लिए, उपचारों के बीच का अंतर बहुत बड़ा नहीं था, जो पुराने अति-आत्मविश्वासी तरीकों की तुलना में वास्तविक परीक्षण परिणामों से बेहतर मेल खाता था।

सारांश

यह शोध पत्र डॉक्टरों के लिए उपचार तय करने हेतु एक नया उपकरण पेश करता है जब मरीज का डेटा अधूरा हो।

यह "जोखिम" का अनुमान लगाना बंद करता है और "समय" का अनुमान लगाना शुरू करता है।
यह जटिल पैटर्न सीखने के लिए "विशेषज्ञों की एक टीम" (Boosting) का उपयोग करता है।
यह गायब डेटा का अनुमान लगाने के लिए एक स्मार्ट रेफरी (Buckley-James) का उपयोग करता है।
यह सर्वोत्तम दीर्घकालिक रणनीति खोजने के लिए शतरंज की तरह पीछे की ओर खेलता है (Q-learning)।

परिणामस्वरूप, यह एक ऐसा सिस्टम है जो अधिक सटीक है, बिखरे हुए डेटा को बेहतर ढंग से संभालता है, और इस धारणा के जाल से बचता है कि दुनिया वास्तव में उससे कहीं अधिक सरल है जितना वह दिखती है।

तकनीकी सारांश: बकल-जेम्स बूस्टिंग के माध्यम से काउंटरफैक्चुअल सर्वाइवल Q-लर्निंग

समस्या विवरण
यह शोध पत्र उन अनुदैर्ध्य (longitudinal) रैंडमाइज्ड क्लिनिकल ट्रायल्स से इष्टतम डायनेमिक ट्रीटमेंट रेजिम (DTRs) का अनुमान लगाने की चुनौती को संबोधित करता है जहाँ परिणाम राइट-सेंसर्ड (right-censored) सर्वाइवल समय होते हैं। इस क्षेत्र में एक प्राथमिक कठिनाई फॉलो-अप डेटा की अपूर्णता है, जो रोगी के ड्रॉपआउट या प्रशासनिक सेंसरिंग के कारण होती है, जिससे संभावित परिणामों (potential outcomes) का अनुमान लगाना जटिल हो जाता है। इसके अलावा, मानक विधियाँ अक्सर प्रोपोर्शनल हैजर्ड्स (PH) धारणा (जैसे कॉक्स रिग्रेशन) पर निर्भर करती हैं, जो तब विफल हो सकती हैं जब कोवेरिएट प्रभाव गैर-रेखीय (nonlinear) हों या जब हैजर्ड रेश्यो का नैदानिक रूप से व्याख्या करना कठिन हो। मौजूदा दृष्टिकोण, जैसे कि लीनियर बकल-जेम्स (BJ) Q-लर्निंग, गैर-रेखीय संबंधों के साथ संघर्ष करते हैं और जटिल डेटा-जनरेटिंग मैकेनिज्म के मामले में अभिसरण (convergence) संबंधी समस्याएँ दिखा सकते हैं। लेखक एक लचीला ढांचा विकसित करने का लक्ष्य रखते हैं जो PH धारणा से बचता है, गैर-रेखीय कोवेरिएट प्रभावों को संभालता है, और सेंसरिंग के तहत स्टेज-विशिष्ट Q-फंक्शन्स का सुदृढ़ अनुमान प्रदान करता है।

कार्यप्रणाली
प्रस्तावित विधि, BJ Boost Q-learning, एक एक्सीलरेटेड फेलियर टाइम (AFT) ढांचे के भीतर काउंटरफैक्चुअल Q-लर्निंग को बकल-जेम्स (BJ) बूस्टिंग एल्गोरिदम के साथ एकीकृत करती है।

ढांचा सेटअप: अध्ययन $K$ निर्णय चरणों वाले एक क्रमबद्ध रैंडमाइज्ड ट्रायल पर विचार करता है। यह स्टेज-विशिष्ट अवधि ( $T_{i,k}$ ) और संचयी सर्वाइवल समय को परिभाषित करने के लिए पोटेंशियल आउटकम नोटेशन का उपयोग करता है। लक्ष्य बैकवर्ड रिकर्सन (backward recursion) के माध्यम से अपेक्षित संचयी सर्वाइवल समय को अधिकतम करने वाले निर्णय नियमों $d_k^*$ को सीखना है।
इम्प्यूटेशन के लिए बकल-जेम्स बूस्टिंग: राइट-सेंसर्ड परिणामों को संभालने के लिए, विधि सेंसर किए गए सर्वाइवल समय को इम्प्यूट (impute) करने के लिए BJ बूस्टिंग का उपयोग करती है। हैजर्ड फंक्शन को मॉडल करने के बजाय, यह सीधे लॉग-ट्रांसफॉर्म किए गए सर्वाइवल समय के कंडीशनल मीन (conditional mean) को मॉडल करता है।
- इम्प्यूटेशन मैकेनिज्म: एक दिए गए स्टेज और ट्रीटमेंट आर्म के लिए, एक रिग्रशन फंक्शन $f_{k,a}(\cdot)$ को फिट किया जाता है। सेंसर किए गए अवलोकनों के लिए, रेसिडुअल डिस्ट्रीब्यूशन का अनुमान कपलान-मेयर एस्टीमेटर का उपयोग करके लगाया जाता है। सेंसर किए गए परिणाम को 'फिटेड वैल्यू प्लस ऑब्जर्व्ड टाइम से ऊपर के रेसिडुअल का कंडीशनल मीन' के रूप में इम्प्यूट किया जाता है।
- लचीले बेस लर्नर्स: पेपर $f_{k,a}$ $f_{k, a}$ का अनुमान लगाने के लिए दो बूस्टिंग रणनीतियों को लागू करता है:
  - BJ-LS: ट्विन बूस्टिंग रिफाइनमेंट (एल्गोरिदम 1) के साथ कंपोनेंटवाइज लीस्ट स्क्वेयर्स का उपयोग करता है।
  - BJ-Tree: रिग्रेशन ट्री का उपयोग करता है (एल्गोरिदम 2)।
- पुनरावृत्ति प्रक्रिया (Iterative Process): इम्प्यूटेशन और मॉडल फिटिंग को पुनरावृत्ति (iteratively) के माध्यम से किया जाता है। प्रत्येक स्टेज और ट्रीटमेंट आर्म के भीतर क्रॉस-वैलिडेशन का उपयोग बूस्टिंग स्टेप्स की संख्या चुनने के लिए किया जाता है, जिसमें सेंसरिंग को ध्यान में रखने के लिए इम्प्यूटेड रिस्पॉन्स का उपयोग स्कोरिंग के लिए किया जाता है।
बैकवर्ड Q-लर्निंग: एक बार सेंसर किए गए परिणाम इम्प्यूट हो जाने के बाद, विधि मानक बैकवर्ड रिकर्सन के साथ आगे बढ़ती है। अंतिम चरण $K$ पर, इम्प्यूटेड परिणामों से सीधे Q-फंक्शन का अनुमान लगाया जाता है। पूर्ववर्ती चरणों $k < K$ के लिए, अगले चरण के अधिकतम अनुमानित Q-वैल्यू में इम्प्यूटेड स्टेज आउटकम जोड़कर स्यूडो-आउटकम (pseudo-outcomes) निर्मित किए जाते हैं। $Q_k$ का अनुमान लगाने के लिए इन स्यूडो-आउटकम्स को उसी बूस्टिंग लर्नर का उपयोग करके हिस्ट्री और वर्तमान ट्रीटमेंट पर रिग्रेस किया जाता है।
आइडेंटिफिएबिलिटी (Identifiability): यह दृष्टिकोण क्रमबद्ध रैंडमाइज्ड ट्रायल्स के मानक धारणाओं पर निर्भर करता है: कंसिस्टेंसी, सीक्वेंशियल रैंडमाइजेशन, पॉजिटिविटी और नो इंटरफेरेंस।

प्रमुख योगदान

नया ढांचा: यह पेपर एक काउंटरफैक्चुअल Q-लर्निंग फ्रेमवर्क पेश करता है जो विशेष रूप से राइट-सेंसर्ड सर्वाइवल डेटा के लिए तैयार किया गया AFT मॉडल और इटरेटिव बूस्टिंग को जोड़ता है।
लचीलापन और मजबूती: BJ फ्रेमवर्क के भीतर लचीले बेस लर्नर्स (कंपोनेंटवाइज लीस्ट स्क्वेयर्स और रिग्रेशन ट्री) का उपयोग करके, यह PH धारणा पर निर्भर रहे बिना गैर-रेखीय कोवेरिएट-ट्रीटमेंट इंटरैक्शन को कैप्चर करता है।
समय का सीधा मॉडलिंग: कॉक्स-आधारित Q-लर्निंग के विपरीत, जो हैजर्ड्स को मॉडल करता है, यह दृष्टिकोण सीधे कंडीशनल सर्वाइवल टाइम को मॉडल करता है, जिससे क्लिनिकली व्याख्या योग्य टाइम-स्केल कंट्रास्ट प्राप्त होते हैं।
एल्गोरिद्मिक कार्यान्वयन: लेखक इट्रेटिव बकल-जेम्स इम्प्यूटेशन के साथ BJ ट्विन बूस्टिंग और BJ ट्री बूस्टिंग को लागू करने के लिए विस्तृत एल्गोरिदम (एल्गोरिदम 1 और 2) प्रदान करते हैं।

परिणाम
BJ Boost Q-learning के प्रदर्शन का मूल्यांकन सिमुलेशन अध्ययनों और वास्तविक डेटा अनुप्रयोगों के माध्यम से किया गया।

सिमुलेशन अध्ययन:
- सिंगल-स्टेज सेटिंग: 50% सेंसरिंग और गैर-रेखीय कोवेरिएट प्रभावों वाली सेटिंग में, BJ-Tree ने उच्चतम ट्रीटमेंट निर्णय सटीकता (n=1000 के लिए मीडियन >91%) प्राप्त की, जो लीनियर BJ-Q और कॉक्स-आधारित Q-लर्निंग (मीडियन <45%) से काफी बेहतर थी। BJ-LS ने भी अच्छा प्रदर्शन किया लेकिन वह BJ-Tree की तुलना में थोड़ा कम सटीक था।
- टू-स्टेज सेटिंग: मल्टीस्टेज सेटिंग में, अनुमान त्रुटियां (estimation errors) बढ़ सकती हैं। BJ-Tree ने उच्चतम सटीकता (मीडियन >84%) बनाए रखी, जबकि कॉक्स-आधारित Q-लर्निंग का प्रदर्शन खराब रहा (मीडियन <20%)। परिणामों ने रेखांकित किया कि जटिल संरचनाओं को कैप्चर करने के लिए लचीले, नॉनपैरामेट्रिक मॉडल अत्यंत महत्वपूर्ण हैं।
ACTG 175 (HIV ट्रायल) पर अनुप्रयोग:
- इसमें ddI मोनोथेरेपी बनाम AZT+ddI कॉम्बिनेशन थेरेपी की तुलना करते हुए 2,139 रोगियों का विश्लेषण किया गया।
- दोनों BJ-LS और BJ-Tree ने अधिकांश प्रतिभागियों के लिए कॉम्बिनेशन थेरेपी की पुरजोर सिफारिश की।
- सीखे गए नियमों ने क्लिनिकली व्याख्या योग्य कोवेरिएट्स (जैसे कार्नोफ्स्की स्कोर, लक्षण की स्थिति, पूर्व एंटीरेट्रोवाइरल उपयोग) की पहचान की जो ट्रीटमेंट सिफारिशों से जुड़े थे, जो पिछले साहित्य के अनुरूप है।
CALGB 8923 (ल्यूकेमिया ट्रायल) पर अनुप्रयोग:
- इसमें इंडक्शन और पोस्ट-रेमिशन थेरेपी वाले दो-चरणीय ट्रायल का 388 प्रतिभागियों के साथ विश्लेषण किया गया।
- ACTG 175 के परिणामों के विपरीत, कॉक्स, BJ, और BJ-LS मॉडलों ने एक उपचार के पक्ष में सांख्यिकीय रूप से महत्वपूर्ण पेयर्ड डिफरेंस दिखाए, जिससे निर्णायक सिफारिशें हुईं।
- इसके विपरीत, BJ-Tree ने संतुलित सिफारिशें दीं जिसमें काउंटरफैक्चुअल सर्वाइवल में कोई सांख्यिकीय रूप से महत्वपूर्ण औसत अंतर नहीं था, जो ट्रायल के रिपोर्ट किए गए औसत सर्वाइवल लाभ की कमी के अनुरूप है। यह सुझाव देता है कि BJ-Tree कमजोर ट्रीटमेंट इफेक्ट्स वाले सेटिंग्स में ओवरफिटिंग या कंट्रास्ट को बढ़ाने के प्रति कम प्रवृत्त हो सकता है।

महत्व और दावे
यह पेपर दावा करता है कि BJ Boost Q-learning, सेंसर किए गए सर्वाइवल डेटा से डायनेमिक ट्रीटमेंट रेजिम सीखने के लिए कॉक्स-आधारित Q-लर्निंग का एक मजबूत और लचीला विकल्प है। इसका प्राथमिक महत्व निम्नलिखित है:

मॉडल मिसस्पेसिफिकेशन से बचना: PH धारणा से बचकर और लचीले लर्नर्स का उपयोग करके, यह गैर-रेखीय प्रभावों वाले सेटिंग्स में बायस (bias) को कम करता है।
बेहतर निर्णय सटीकता: सिमुलेशन परिणाम दर्शाते हैं कि यह विधि, विशेष रूप से ट्री-आधारित वेरिएंट, लीनियर या हैजर्ड-आधारित दृष्टिकोणों की तुलना में उपचार निर्णयों की सटीकता में काफी सुधार करती है।
मल्टीस्टेज सेटिंग्स में स्थिरता: यह विधि विशेष रूप से मल्टीस्टेज ट्रायल्स में मूल्यवान साबित हुई है जहाँ शुरुआती चरणों में त्रुटियां बढ़ सकती हैं, जिससे अधिक स्थिर काउंटरफैक्चुअल कंट्रास्ट प्राप्त होते हैं।
क्लिनिकल व्याख्यात्मकता: सर्वाइवल टाइम का सीधा मॉडलिंग व्यक्तिगत निर्णय नियमों को प्राप्त करने की अनुमति देता है जो 'टाइम-टू-इवेंट' लाभों के संदर्भ में व्याख्या योग्य हैं।

लेखक सीमाओं को भी विनम्रतापूर्वक नोट करते हैं, जिसमें उच्च सेंसरिंग दरों के तहत आगे के मूल्यांकन की आवश्यकता, शुरुआती बूस्टिंग चरणों में संभावित बायस प्रोपेगेशन, और वर्तमान में केवल रैंडमाइज्ड ट्रायल्स तक सीमित होना (जिसके लिए ऑब्जर्वेशनल डेटा के लिए विस्तार की आवश्यकता है) शामिल है।