1. 基本信息
| 项目 | 内容 |
|---|---|
| 名称 | survival-analysis-gptomics-bioskills |
| 作者/维护者 | GPTomics（GitHub 认证组织，自述为生物信息学 AI 实验室），收录于其开源合集 bioSkills |
| 来源链接 | https://github.com/GPTomics/bioSkills/tree/main/machine-learning/survival-analysis |
| 许可证 | MIT（GitHub API 实测确认） |
| GitHub Stars/Forks | 所属合集仓库 1,115 / 193（GitHub API 实测 2026-08-05；仓库含 561 个子技能，星数属整个合集，不代表本技能个体热度，独立佐证见第 6 章） |
| 最新版本 | 无独立版本号；子目录提交历史实测 4 次针对性提交，最近一次 2026-06-06 |
| 安装方式 | 克隆官方仓库后运行按分类安装脚本，详见第 10 章 |
2. 功能介绍与亮点
survival-analysis 是构建并验证“预测型”生存模型（个体化风险预测）的方法指南：面对惩罚 Cox 回归、随机生存森林、梯度提升生存模型、DeepSurv/DeepHit 等深度生存模型，教会 agent 如何正确拟合、评估并避开这一领域最常见的统计陷阱。
核心内容：
- 纠偏头号误区：C-index 单独判断模型好坏是最常见错误——它对删失分布敏感、对单调变换不敏感（C 值高的模型仍可能校准极差）、对新增有效标志物不敏感；正确做法是 Uno’s C(τ) + 时依 AUC + 综合 Brier 分数 + 校准曲线四件套齐上
- 场景边界表：划清“预测型”（本技能：个体化风险评分、惩罚 Cox/随机生存森林/深度模型）与“推断型”（同合集
clinical-biostatistics/survival-analysis：Kaplan-Meier、log-rank、经典 Cox 假设检验）的适用边界 - 模型选型决策表：按组学签名 p≫n、非线性/非比例风险、大样本量、竞争风险、动态生物标志物五类场景给出推荐模型；并给出实证经验——常规临床组学样本量下惩罚 Cox 与随机生存森林很难被深度模型超越
- 竞争风险专节：指出用 1-KM 当发生率会系统性高估，必须用 Aalen-Johansen 估计的 CIF；并厘清 Fine-Gray 亚分布风险比不能解读为“事件发生速率的效应”
- 删失、永生时间偏倚、时间窗分析三类隐蔽陷阱的成因与修复路径，以及可直接运行的 Python 代码（
scikit-survival拟合惩罚 Cox/随机生存森林、Uno’s C/时依 AUC/综合 Brier 评估管线） - 6 条常见错误表 + 16 篇引用文献（含 Uno 2011 C-index 论文、Fine-Gray 1999 竞争风险原始论文、TRIPOD+AI 2024 报告规范等）
3. 适用场景
固定分类：数据分析与可视化。
面向需要用临床或组学数据构建个体化风险预测模型的计算生物学家、临床数据科学家：选择该用哪类生存模型、评估一个生存模型是否只在 C-index 上好看而校准很差、处理竞争风险或动态更新的生物标志物时可以直接调用。
4. 跨 Agent 兼容性
- Claude Code：原生支持 ✅ —— 仓库提供
install-claude.sh，支持按分类（如machine-learning）选择性安装 - Codex：原生支持 ✅ ——
install-codex.sh会将技能转换为 Agent Skills 标准格式 - OpenClaw：原生支持 ✅ ——
install-openclaw.sh一键安装，或直接从官方市场 ClawHub 安装（clawhub.ai/djemec/bioskills） - Hermes Agent：需适配 ⚠️ —— 官方文档
hermes-agent.nousresearch.com的“生物信息学”网关技能索引在“Machine Learning for Omics”类目下按名列出了survival-analysis，但访问方式是浅克隆整个仓库后按需读取该 SKILL.md 作参考资料，并非以 Hermes 原生技能格式直接安装
5. 推荐理由
教会 agent 用 C-index 之外的完整指标评估生存模型、并避开竞争风险与永生时间偏倚等隐蔽统计陷阱。
6. 评分
| 维度 | 分数 | 说明 |
|---|---|---|
| 受欢迎程度 | 7 | 所属合集整体 1,115 星，该数字属整个 bioSkills 合集，不代表本技能个体热度；本技能自身已被 LobeHub、MDSkill 两个独立技能市场分别单独收录为专属条目，且被 Hermes Agent 官方网关按技能名列入索引 |
| 可用性 | 9 | SKILL.md 文档完整、含决策表与可直接运行的 scikit-survival/lifelines/pycox 代码；近 4 个月内有针对性维护提交（2026-06-06）；核心路径全部为开源 Python 库，无强制付费依赖，纯本地计算无需 GPU |
| 安全性 | 9 | 见下方检查清单，全部通过且无风险信号 |
安全检查清单：① 代码执行——有，均为调用 scikit-survival、lifelines、pycox 等开源统计库对用户表格数据做本地拟合评估，用途单一可审计；② 联网——无，全文未见外部 API 调用或数据外发；③ 凭据——不要求 API key 或账号凭据；④ 提示注入迹象——未发现可疑指令；⑤ 作者信誉——GPTomics 为 GitHub 认证组织，提交均来自具名开发者，无刷星迹象；⑥ License——MIT，明确；⑦ 维护时间——最近一次实质性提交 2026-06-06，近 4 个月内。
7. 跟同类 Skills 相比的优势
| 方案 | 定位 | 与本技能的差异 |
|---|---|---|
clinical-biostatistics/survival-analysis（同合集） |
Kaplan-Meier、log-rank、经典 Cox 假设检验的推断型生存分析 | 回答“治疗有没有效果（HR 与 p 值）”，不负责构建预测模型；本技能回答“这个病人的个体化风险有多高”，两者场景边界在本技能正文中被明确划清 |
lifelines 官方文档 / scikit-survival 官方文档 |
各自库的 API 参考手册 | 只教怎么调用某一个库，不提供跨库的模型选型决策树，也不覆盖 C-index 局限性、竞争风险误用等方法论层面的常见错误 |
R 语言 survival / randomForestSRC 包文档 |
R 生态的生存分析工具文档 | 面向 R 用户的函数级说明，不含 Python 生态的深度生存模型（DeepSurv/DeepHit）与 agent 可直接调用的完整评估代码 |
8. 用户评价
该技能目前已被 LobeHub、MDSkill 两个第三方 Agent Skill 市场单独收录为独立条目，但尚未查证到具名用户评价或使用反馈。
9. 其他补充
所属仓库 bioSkills 覆盖 63 个功能类目、561 个子技能，安装脚本支持按类目选择性安装（如仅装 machine-learning 类目），无需全量部署。
10. 安装使用方式
git clone git@github.com:GPTomics/bioSkills.git
cd bioSkills
./install-claude.sh --categories "machine-learning" # Claude Code，仅装机器学习类目
# 或 ./install-codex.sh / ./install-openclaw.sh 对应替换OpenClaw 用户也可直接从 ClawHub 市场安装：clawhub.ai/djemec/bioskills。
按需求安装 Python 依赖：pip install scikit-survival lifelines numpy pandas；如需运行深度生存模型（DeepSurv/DeepHit），另装 pip install pycox。全部计算均可在 CPU 上本地完成，无需 GPU。安装后无需重启 agent，直接用自然语言描述生存分析需求即可触发。
11. 注意事项
- 仅覆盖“预测型”生存分析；若需求是经典的 Kaplan-Meier 曲线、log-rank 检验或临床试验的风险比推断，应改用同合集的
clinical-biostatistics/survival-analysis。 - 深度生存模型需要较大样本量才能发挥优势，常规临床组学样本量下惩罚 Cox 与随机生存森林基线通常更稳健，不建议默认选深度模型。
- 竞争风险场景下误用 1-KM 估计发生率会系统性高估，必须改用 CIF（Aalen-Johansen）估计。
- 处理随时间更新的生物标志物时，直接把未来才知道的协变量值代入模型属于永生时间偏倚，应使用文中给出的时间窗（landmarking）方法。