Exponential
以事件率参数描述生存时间，适用于恒定风险率这一较强但清晰的假设。
01 / WHY
生存预测不应只给一个“预计时间”
医疗事件何时发生常常未知，部分患者在随访结束时仍未发生事件；模型既要处理右删失，也要让不确定性可见。
在肿瘤、感染、心血管等临床场景中，个体结局往往是“时间到事件”问题。传统点预测难以反映模型对于患者个体的把握程度；而当不同机构或不同阶段新增数据时，原始训练数据又可能因隐私和治理原因无法重新调取。
项目问题：能否让模型输出完整生存曲线与后验区间，并将已训练模型的后验知识携带到下一阶段，以较少依赖历史患者原始资料的方式完成更新？
02 / DATA
跨疾病队列检验同一条方法链
论文覆盖五类公开生存分析数据；在线演示保留其中四个较大队列，用于预测与更新流程展示。
ACTGHIV临床试验1,151例 · 16项变量
GBCS乳腺癌生存686例 · 16项变量
VETERAN肺癌试验137例 · 个体案例分析
WHAS急性心梗队列481例 · 14项变量
PBC原发性胆汁性肝硬化418例 · 20项变量
数据按论文规范采用完整病例，分类变量编码、连续变量标准化，并将训练阶段拟合的变换器应用到后续测试分区，避免信息泄漏。在线系统可切换 AIDS、GBCS、PBC、WHAS 四类队列，并接收同结构 CSV。
03 / MODEL
从分布假设到个体生存曲线
模型把临床输入映射为生存分布参数，再通过后验抽样生成个体化的生存概率与可信区间。
Weibull
增加形状参数，允许事件风险随时间上升、下降或保持恒定。
PyMC · NUTS/MCMC
以参数后验而非单一点估计表示模型，并把抽样结果用于预测区间和诊断。
INPUT临床协变量、随访时间与事件状态
将每位患者的特征、观察时间与事件/右删失状态组成生存分析输入。
PRIOR非信息先验或上一阶段后验
初训使用非信息先验形成正则化；更新时，将旧模型参数的后验均值与标准差转为当前先验。
POSTERIOR抽样、诊断与预测
通过 NUTS/MCMC 学习后验，同时关注 R-hat、有效样本量和采样异常；预测页展示中位生存时间和区间。
04 / UPDATE
两条路径，检验“更新”是否足够
顺序更新和全量重训在同一未来分区上比较 C-index、实际等价性与参数后验的一致程度。
传递上一阶段后验
新阶段仅使用新增分区训练，将上一阶段参数后验作为信息先验；无需重新读取更早的数据分区。
累计数据重新训练
组合所有历史分区和当前分区，从默认先验重新拟合，作为对照基准。
论文将性能差异的实用等价区间设为 C-index ±0.01；当差异的可信区间完全处于该区间内，才接受两条路径在实践上等价。除了预测性能，还通过后验分布重叠观察“性能相近”是否掩盖了参数差异。
05 / EVIDENCE
验证结果如何支持模型更新
从预测表现、过拟合风险到后验参数的一致性，建立完整的证据检查框架。
47×论文模型比较重复次数
74×论文更新实验重复次数
±0.01实用等价 ROPE
4大样本队列进入更新实验
研究显示：贝叶斯参数生存模型与常用 CoxPH、随机生存森林、DeepSurv 的表现相近；Weibull 贝叶斯模型在过拟合比较中表现较稳健。对于四个可更新队列，更新后的贝叶斯模型在各阶段的表现与全量训练相近；PBC 等情形仍存在等价性无法判定的结果，提示部署时不能只看单一性能指标。
06 / USE
从方法地图到可操作的生存预测工作台
在线网页把研究流程拆分为方法说明、患者预测和训练数据校验三个入口。
个体化预测
按队列输入患者特征、导入预测 CSV 或调用示例病例，输出生存概率、中位生存时间及 95% 后验区间。
后验模型复用
预测服务读取保存的后验抽样，而不是仅保存一个固定系数；可导入或恢复参考模型。
训练前校验
训练页检查 CSV 的队列特征、时间列和事件列，设置分布类型与抽样配置后提交 MCMC 拟合。
适用边界
页面与在线工具用于研究、教学和方法演示，不构成医疗诊断、预后告知或治疗推荐。实际部署前需在本地人群中验证分布假设、特征定义、删失机制、采样诊断与更新后的参数稳定性，并由临床与统计团队共同设定使用边界。
项目入口
进入在线生存预测工作台，查阅公开论文；介绍视频将在素材确认后补充。