用途：scikit-survival 是构建在 scikit-learn 之上的 Python 生存分析库，用于建立协变量与事件发生时间之间的关系，并处理删失数据（如右删失、左删失、区间删失）。
主要能力：提供 Cox 比例风险模型（CoxPHSurvivalAnalysis、CoxnetSurvivalAnalysis、IPCRidge）、集成方法（RandomSurvivalForest、GradientBoostingSurvivalAnalysis、ExtraSurvivalTrees）、生存支持向量机（FastSurvivalSVM、FastKernelSurvivalSVM、HingeLossSurvivalSVM）、非参数估计（Kaplan-Meier、Nelson-Aalen）、竞争风险分析，以及一致性指数、时间依赖 AUC、Brier 分数等评估指标。
使用方式：通过 sksurv.util.Surv 构造生存结果，使用 sksurv.linear_model、sksurv.ensemble、sksurv.svm 等模块拟合模型，并用 sksurv.metrics 中的 concordance_index_ipcw、integrated_brier_score 等函数评估。可与 scikit-learn 的 Pipeline、GridSearchCV、cross_val_score 集成。
适用场景：医学与流行病学研究中的生存分析、高维数据特征选择、多模型性能比较、竞争风险建模。
限制：资料未提供收费、价格、平台或效果信息；使用 SVM 与正则化 Cox 模型时需标准化特征，高删失率建议使用 Uno's C-index，竞争事件不应简单视为删失。