用途：scikit-survival 是构建在 scikit-learn 之上的 Python 生存分析库，用于时间到事件建模，处理右删失、左删失和区间删失数据，建立协变量与事件发生时间的关系。
主要能力：提供 Cox 比例风险模型（CoxPHSurvivalAnalysis、弹性网惩罚的 CoxnetSurvivalAnalysis、IPCRidge）；集成方法（RandomSurvivalForest、GradientBoostingSurvivalAnalysis、ComponentwiseGradientBoostingSurvivalAnalysis、ExtraSurvivalTrees）；生存支持向量机（FastSurvivalSVM、FastKernelSurvivalSVM、HingeLossSurvivalSVM、ClinicalKernelTransform）；非参数估计（Kaplan-Meier、Nelson-Aalen、竞争风险累积发生率）；评估指标（Harrell 与 Uno 一致性指数、时间依赖 AUC、Brier 分数、integrated_brier_score）；数据工具（Surv 构造结果、OneHotEncoder、内置数据集）。
使用方式：用 sksurv.util.Surv 构造生存结果，如 Surv.from_arrays(event=event_array, time=time_array)；对 SVM 和正则化 Cox 需标准化特征；用 concordance_index_ipcw 评估时需传入 y_train；可通过 Pipeline、cross_val_score、GridSearchCV 与 as_concordance_index_ipcw_scorer() 集成 scikit-learn 工作流。
适用场景：医学与临床研究中的生存分析、高维特征筛选、非线性关系建模、竞争风险分析、模型性能比较。
限制：资料未提供安装命令、版本要求、收费与平台信息；高删失率（>40%）应使用 Uno 的 C-index；Cox 模型需检验比例风险假设；随机生存森林应使用置换重要性而非内置重要性；每特征建议至少 10 个事件。