scikit-survival 技能面向使用 scikit-survival（sksurv）0.28.0 进行右删失生存分析的工作流。适用场景包括：右删失结构化结局建模；Cox PH、Coxnet、IPC ridge、生存树、随机生存森林、梯度提升和生存 SVM；区分度、预测误差、校准导向检查和时间依赖预测；竞争风险下的非参数累积发生率；以及 scikit-learn 管道、嵌套模型选择与可复现报告。
该库主要建模右删失结局。内置竞争风险支持为非参数累积发生率，不提供 Fine-Gray 回归。模型输出不应被呈现为临床建议、因果证据或临床效用证明。
安装方面，最新稳定版为 scikit-survival 0.28.0（2026-07-05 发布），要求 Python 3.11 或更高版本，PyPI wheel 覆盖 CPython 3.11-3.14 的 Linux x86-64、macOS x86-64/ARM64 和 Windows x86-64。运行时依赖包括 NumPy >=2.0.0、pandas >=2.2.0、SciPy >=1.13.0、scikit-learn >=1.9.0,<1.10、OSQP >=1.0.2、narwhals >=2.0.1。0.28 版本通过 narwhals 新增 pandas/Polars 估计器支持，并从 GradientBoostingSurvivalAnalysis 中移除了 criterion。安装示例使用 uv 创建隔离环境并安装固定版本快照。优先使用二进制 wheel；源码构建需要 C/C++ 编译器，OSQP 可能还需要 CMake。该技能为 MIT 许可，上游 scikit-survival 包为 GPL-3.0-or-later，再分发前需审查上游许可。
工作流要求：定义估计目标和事件编码；验证结局格式（标准估计器需要两字段结构化数组，布尔事件在前、观测时间在后；竞争风险 CIF 需要单独的整数事件向量，0=删失，1..K=原因）；在划分数据之后再拟合预处理；在管道内拟合预处理；调参时不重用评估数据；在训练数据上拟合删失分布；限制评估时间网格；匹配预测与指标；显式处理竞争原因；报告局限性。
模型选择包括：CoxPHSurvivalAnalysis（可解释对数风险系数，alpha 为岭收缩，ties 可选 breslow 或 efron）；CoxnetSurvivalAnalysis（高维数据的 LASSO/弹性网路径）；IPCRidge（IPC 加权岭 AFT 模型）；RandomSurvivalForest / ExtraSurvivalTrees（非线性生存和累积风险预测，使用排列重要性）；GradientBoostingSurvivalAnalysis（树提升，损失可选 coxph、squared 或 ipcwls）；ComponentwiseGradientBoostingSurvivalAnalysis（稀疏线性分量提升）；FastSurvivalSVM / FastKernelSurvivalSVM（排序或回归目标，仅 rank_ratio=1 直接返回越高越风险的分数，SVM 不产生用于 Brier 指标的生存概率）。
评估指标包括 concordance_index_ipcw、cumulative_dynamic_auc、brier_score 和 integrated_brier_score。Harrell C 和 Uno C 衡量排序区分度而非校准；累积/动态 AUC 衡量选定时间点的区分度；Brier 分数是删失加权概率误差，反映区分度和校准；校准需要独立数据上的特定时间点预测-观测检查，0.28 版本没有专用校准曲线 API。
竞争风险方面，使用 cumulative_incidence_competing_risks 函数，status 为整数数组（0=删失，1..K=互斥原因），返回的 cif 形状为 (K+1, n_times)，第 0 行为总风险，第 1..K 行为原因特异性累积发生率。原因特异性 Cox 模型将其他原因视为删失以估计原因特异性风险，但单个模型的 1-survival 不是原因特异性 CIF。
技能附带本地 CLI 工具：validate_survival_csv.py、train_survival_model.py、evaluate_survival_metrics.py、competing_risk_cif.py、model_report.py。这些工具在无输入时使用确定性合成数据，不进行网络调用，拒绝 URL 和符号链接，限制文件/行/特征数量，避免不安全的 pickle 加载，并延迟导入科学计算包。典型流程包括验证 CSV、训练模型、评估指标和生成报告。仅使用去标识化的授权本地数据。
安全方面，SECURITY.md 曾声称捆绑了名为 sklearn.py 和 sksurv.py 的包遮蔽文件，2026-07-23 的清单确认这些文件不存在。切勿将项目脚本命名为导入包的名称（包括 sklearn.py、sksurv.py、numpy.py 或 pandas.py），因为 Python 可能导入本地文件而非已安装库。
参考文件包括 data-handling.md、cox-models.md、ensemble-models.md、svm-models.md、evaluation-metrics.md 和 competing-risks.md。代理操作流程要求：检查环境、确认输入、先运行小版本、执行完整任务、验证结果并报告。完整性规则要求：绝不捏造结果、参数、标识符、引用或统计量；绝不报告本次会话未计算的指标；版本特定细节可能过时，需对照已安装版本的官方文档确认；在涉及费用、共享 GPU、云配额、个人或患者数据或不可撤销操作前先询问。