我是生存分析的新手，我最近了解到，在给定特定目标的情况下，有不同的方法可以做到这一点。我对这些方法的实际实施和适当性感兴趣。

向我介绍了传统的Cox 比例风险、加速故障时间模型和神经网络（多层感知器）作为根据患者时间、状态和其他医疗数据获得患者生存的方法。据说这项研究将在五年内确定，目标是每年给出生存风险，以提供新的记录。

我发现了两个例子，其中选择了其他方法而不是 Cox PH：

1. 我发现“如何从 Cox PH 模型中获得关于生存时间的预测”，并提到：

   如果您对获得特定时间点的生存概率估计特别感兴趣，我会为您指出参数生存模型（又名加速失效时间模型）。这些是在 R 的生存包中实现的，将为您提供参数生存时间分布，您可以在其中简单地插入您感兴趣的时间并返回生存概率。

   我去了推荐的网站，在survival包里找到了一个——功能survreg。

2. 此评论中建议使用神经网络：

   ... 生存分析神经网络方法的一个优点是它们不依赖于 Cox 分析的假设...

   另一个提出“以目标向量作为输出包含生存预测的 R 神经网络模型”问题的人给出了在神经网络和 Cox PH 中确定生存的详尽方法。

   获得生存的 R 代码是这样的：

   mymodel <- neuralnet(T1+T2+T3+T4+T5~covar1+covar2+covar3+..., data=mydata, hidden=1)
   compute(mymodel,data=mydata)
   

3. 我去了 R 论坛，在“ predict.coxph 和 predict.survreg ”这个问题中找到了这个答案：

   实际上，从predict()函数中coxph您无法直接获得“时间”预测，而只能获得线性和指数风险评分。这是因为，为了获得时间，必须计算基线风险，而且它并不简单，因为它隐含在 Cox 模型中。

我想知道这三个（或考虑到关于 Cox PH 的争论的两个）中的哪一个最适合获得感兴趣的时间段的生存百分比？我很困惑在生存分析中使用哪一个。