如果我正确理解您的问题，我认为这是可能的¹，但是您必须做一些额外的工作，并且您可能会受到可以使用的模型的限制。

首先，您有一个时变数据集，因此必须正确处理。你的毒在出生后很久就会出现，这对建模很重要。否则，您会偏向您的模型。例如：假设每个人都在 90 岁时中毒，如果他们活得那么长。那么仅仅是中毒的行为就是长寿的信号，而实际上，它会加速主体的死亡。也读一读，了解更多关于为什么对时变协变量建模很重要的论点。

好的，所以我获取了您的数据集，并将其建模为时变数据集（见下文）。注意：

1. 一个主题可能有超过 1 行（在您的情况下，每个人最多有两行，一排用于中毒前，一排用于中毒后）
2. 一个主题的每一行都是互斥的（参见start和stop列）。如果他们在该status间隔结束时死亡，则为真。
3. poisoned 是中毒后激活的布尔标志。

    start     poisoned sex   stop  id  status
0       0            0   f     90   0   False
1      90            1   f     92   0    True
2       0            0   f     90   1   False
3      90            1   f    150   1   False
4       0            0   f     90   2   False
5      90            1   f     91   2    True
6       0            0   m     60   3   False
7      60            1   m    130   3    True
8       0            0   m     60   4   False
9      60            1   m    150   4   False
10      0            0   m     60   5   False
11     60            1   m     62   5    True

上述矩阵具有完全相同的信息，但呈现方式不同。

好的，所以我们现在需要选择一个可以处理时变数据集的模型。让我们退后一步问“在训练数据上拟合模型后，我可以将其“传输”到测试数据（没有中毒）吗？我认为，是的，这是有效的，而且如果有人在中毒之前就死了，这将更有效。您的模型将做的是了解与给定变量相关的风险因素中毒/没有中毒。因此，当您转移到测试数据时，已经了解了风险因素并且可以进行预测。这是一个类比：我正在研究加拿大和美国学生的学生考试成绩，并且还有其他变量，如午餐、成绩、背景等，以及它们之间可能的相互作用。“拟合”的目标是在给定其他变量的情况下学习午餐与考试成绩的关系。所以当我在测试数据中只关注加拿大学生的模型时，我的模型仍然有效。

（但是，如果我的训练数据中没有加拿大学生，那么如果我希望在测试数据中关注加拿大学生，那么模型的有效性可能会受到质疑。这就是为什么我希望你的训练数据中有受试者在成为中毒）。

我们可以使用 Cox 的比例风险模型拟合时变数据集。（线性）模型的输出如下所示：

---
             coef exp(coef)  se(coef)     z    p  -log2(p)  lower 0.95  upper 0.95
poisoned    17.60  4.41e+07   2670.86  0.01 0.99      0.01    -5217.18     5252.38
sex         -0.82      0.44      1.25 -0.66 0.51      0.97       -3.28        1.64
---

根据您的描述，听起来您的测试数据不是随时间变化的。没关系，它仍然适合时变框架：只是每个测试对象都有一行。您可以选择将poisoned变量排除在外，或者将其始终保留为 0。后者可能更容易，特别是如果你有交互。

¹我可能会遗漏一些重要的问题，这会使这一切变得毫无用处。通常，使用时变数据很容易弄乱因果关系/数据泄漏。