用途：scikit-survival 是构建在 scikit-learn 之上的 Python 生存分析库，用于时间到事件（time-to-event）建模，处理部分观测仅部分已知的删失数据，尤其是研究期内未发生事件导致的右删失。
主要能力：提供多类模型。线性模型包括 CoxPHSurvivalAnalysis（基础 Cox 模型）、CoxnetSurvivalAnalysis（弹性网惩罚 Cox，适合高维数据）和 IPCRidge。集成方法包括 RandomSurvivalForest、GradientBoostingSurvivalAnalysis、ComponentwiseGradientBoostingSurvivalAnalysis 和 ExtraSurvivalTrees。生存 SVM 包括 FastSurvivalSVM、FastKernelSurvivalSVM、HingeLossSurvivalSVM，以及面向临床与分子数据的 ClinicalKernelTransform。
评估与非参数估计：一致性指数支持 Harrell 版（低删失，<40%）和更稳健的 Uno 版（concordance_index_ipcw）；还提供时间依赖 AUC（cumulative_dynamic_auc）、Brier 分数（integrated_brier_score）、Kaplan-Meier 和 Nelson-Aalen 估计，以及竞争风险累积发生率（cumulative_incidence_competing_risks）。数据侧提供 Surv 构造结局、OneHotEncoder 和内置数据集。
使用方式：可用 from sksurv.util import Surv 构造结局，用 sklearn 的 Pipeline、cross_val_score、GridSearchCV 配合 as_concordance_index_ipcw_scorer() 做调参与评估。官方文档 https://scikit-survival.readthedocs.io/ ，仓库 https://github.com/sebp/scikit-survival 。技能内含 cox-models.md、ensemble-models.md、evaluation-metrics.md、data-handling.md、svm-models.md、competing-risks.md 等参考文件。
限制与注意：需注意特征标准化、删失率、比例风险假设检验、每个特征事件数等，资料未提供安装方式与版本信息。