Toward Better Practice of Covariate Adjustment in Analyzing Randomized Clinical Trials
在随机临床试验中，监管机构高度鼓励在设计和分析阶段对基线协变量进行调整。最近的趋势是使用模型辅助方法进行协变量调整，以获得可信度和效率，同时即使在模型不正确的情况下也能产生渐近有效的推断。在本文中，我们提出了在简单随机试验或协变量自适应随机试验中应用模型辅助推理来调整协变量时的三个考虑因素：（1）有保证的效率增益：模型辅助方法应该经常增益而不损害效率;（2）广泛的适用性：有效的程序应该适用于所有常用的随机化方案，最好是普遍适用的;（3）稳健标准误：方差估计对模型误设和异方差应具有稳健性。为了实现这些目标，我们建议在异质协方差分析工作模型下使用模型辅助估计，包括随机化中使用的所有协变量。我们的结论是基于渐近理论，提供了一个清晰的画面协变量自适应随机化和回归调整如何改变统计效率。我们的理论是更一般的比现有的研究任意函数的响应手段（包括线性对比，比率和比值比），多臂，保证效率增益，最优性和普遍适用性。
2021-07-13 stat.ME
Automated, efficient and model-free inference for randomized clinical trials via data-driven covariate adjustment
Ghent University（根特大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）；New York University School of Medicine（纽约大学医学院）
本文提出使用自动化数据自适应方法（如逐步回归、Lasso和灵活机器学习）进行协变量调整，以解决预指定协变量及其函数形式的挑战，并提供有效且可解释的处理效应估计和标准误差，即使结果模型错误设定或预测有偏。
2026-05-27 stat.ME
A Unified Approach to Covariate Adjustment for Survival Endpoints in Randomized Clinical Trials
本文提出一种统一且易于理解的增广方法，用于随机临床试验中生存终点的协变量校正，通过统计或机器学习估计最优增广项以最小化渐近方差，并在R包sleete中实现。
2025-05-08 stat.ME
Data-Adaptive and Model-Robust Covariate Adjustment for Time-to-Event Outcomes in Stratified Randomized Trials
Cornell Tech, Cornell University（康奈尔科技校区，康奈尔大学）；Department of Biostatistics, Department of Population Health, New York University School of Medicine（纽约大学医学院生物统计学系、人口健康系）
本文提出一种适应数据和模型鲁棒的协变量调整方法，用于分层随机试验中的生存时间终点，通过目标最小损失估计实现数据自适应的协变量选择和稳健的生存曲线函数估计。
2026-04-30 stat.ME
The RobinCar Family: R Tools for Robust Covariate Adjustment in Randomized Clinical Trials
University of Washington（华盛顿大学）；Global Statistical Sciences, Eli Lilly and Company（礼来公司全球统计科学部）；BARDS, MSD（默沙东 BARDS）；AstraZeneca（阿斯利康）；RCONIS；Gilead Sciences（吉利德科学）
RobinCar家族是用于随机临床试验中稳健协变量调整的R工具，提供多种统计方法和实用指南。
2026-01-20 stat.ME
Covariate Adjustment for the Win Odds: Application to Cardiovascular Outcomes Trials
ETH Zurich（苏黎世联邦理工学院）；Novartis Pharma AG（诺华制药股份有限公司）
本文提出对胜利几率进行协变量调整的方法，提升估计精度和统计效力，通过与边际概率指数的联系，展示调整后的胜利几率在处理基线协变量时的潜在优势，但可能增加小样本中I类错误率。
2026-04-07 stat.AP stat.ME
A General Form of Covariate Adjustment in Randomized Clinical Trials
本文研究协变量自适应随机化下的AIPW估计量，证明其渐近正态性、效率提升与适用性，首次为机器学习结合交叉拟合提供理论依据，并提出联合校准策略，方法在R包RobinCar中实现。
2024-03-25 stat.ME
Covariate adjustment and estimation of difference in proportions in randomized clinical trials
针对随机临床试验中比例差异估计，提出基于稳健三明治估计量的标准化估计量方差估计方法，以提升小样本和模型误设下的性能。
2023-08-30 stat.ME
Optimizing Precision and Power by Machine Learning in Randomized Trials, with an Application to COVID-19
快速发现有效的治疗方法需要有效地利用临床试验中的可用资源。使用协变量调整可以产生具有更高精度的统计估计值，从而减少得出无效或有效性结论所需的受试者数量。我们关注事件发生时间和顺序结局。随机研究中协变量调整的一个关键问题是如何拟合一个将结果与基线协变量相关联的模型，以最大限度地提高精度。我们提出了一个新的理论结果，建立了依赖于机器学习的各种协变量调整估计量的渐近正态性条件（例如，l1-正则化、随机森林、XGBoost和多元自适应回归样条），假设结果数据是完全随机缺失的。我们进一步提出了一个渐近方差的相合估计量。重要的是，这些条件不要求机器学习方法收敛到以基线变量为条件的真实结果分布，只要它们收敛到某个（可能不正确的）极限即可。我们进行了一项模拟研究，以评估上述预测方法在COVID-19试验中的性能，使用来自威尔康奈尔医学纽约长老会医院1,500多名COVID-19住院患者的纵向数据。我们发现，使用l1正则化导致估计和相应的假设检验，控制类型1错误，并在所有样本量测试比未经调整的估计更精确。我们还表明，当协变量不是预后的结果，l1正则化仍然是精确的未经调整的估计，即使在小样本量（n = 100）。我们给出了一个R包adjrct，它对顺序和事件发生时间结果进行模型稳健协变量调整。
2021-09-09 math.ST stat.ME stat.TH
A Bias Correction Method in Meta-analysis of Randomized Clinical Trials with no Adjustments for Zero-inflated Outcomes
许多临床终点指标，如每周消耗的标准饮料数量或患者住院天数，都是带有过多零的计数数据。然而，这种结果的零膨胀性质有时在临床试验分析中被忽略。这导致研究水平干预效应的偏倚估计，从而导致荟萃分析中总体干预效应的偏倚估计。目前的研究提出了一种新的统计方法，零膨胀偏倚校正（ZIBC）方法，可以解释使用泊松回归模型时引入的偏倚，尽管在随机临床试验的结果分布中有很高的膨胀零率。这种校正方法只需要来自个体研究的汇总信息来校正干预效果估计值，就好像它们是使用零膨胀泊松回归模型适当估计的一样，因此当某些研究中无法获得个体参与者水平的数据时，它对于荟萃分析是有吸引力的。模拟研究和实际数据分析表明，ZIBC方法在大多数情况下都能很好地校正零通胀偏差。
2021-06-25 stat.AP stat.ME
How should covariates be handled in randomized trials? Empirical evidence from 50 trials and recommendations for practice
Department of Biostatistics, School of Public Health, University of Michigan（密歇根大学公共卫生学院生物统计系）
本文通过大规模实证研究比较了不同协变量调整策略在随机临床试验中的表现，发现简洁的回归方法在效率提升方面表现优异，而基于机器学习的方法在二元结局中计算稳定性较差。
2026-06-11 stat.AP
Bayesian model for early dose-finding in phase I trials with multiple treatment courses
肿瘤学中的剂量探索临床试验旨在确定新药的最大耐受剂量（MTD），通常由具有短期剂量限制性毒性（DLT）的患者比例定义。此类I期肿瘤学试验的基于模型的方法已被广泛设计，并且大多限于第一个治疗周期期间发生的DLT，尽管患者继续接受多个周期的治疗。我们的目标是通过贝叶斯累积建模方法估计治疗周期序列中DLT的概率，其中DLT的概率在建模时考虑了给药药物的累积效应和DLT发生周期。我们提出了一种设计，称为DICE（Dose-finding CumulativE），根据先前观察到的毒性进行剂量递增和递减，旨在找到MTD序列（MTS）。我们进行了广泛的模拟研究，比较这种方法的时间到事件的持续重新评估方法（TITE-CRM）和基准。总的来说，我们的方法实现了更好或相当的正确MTS选择百分比。此外，我们还研究了DICE的预测能力。
2020-12-07 stat.ME
Publication bias adjustment in network meta-analysis: an inverse probability weighting approach using clinical trial registries
针对网络meta分析（NMA）中存在的发表偏倚问题，提出结合t型选择函数的逆概率加权框架，利用临床试验注册库未发表研究信息求解，经数值研究和实例验证可提升估计准确性等NMA特性。
2024-01-31 stat.ME
Principled Selection of Baseline Covariates to Account for Censoring in Randomized Trials with a Survival Endpoint
对具有至事件发生时间终点的随机试验的分析几乎总是受到删失问题的困扰。由于删失机制通常是未知的，分析通常采用无信息删失的假设。虽然随着更多基线协变量的调整，这一假设通常变得更合理，但这种调整也引起了人们的担忧。预先规定哪些协变量将被调整（以及如何调整）是困难的，因此促使使用数据驱动的变量选择程序，这可能会阻碍有效的推断。此外，协变量的调整增加了对模型误设的担忧，以及调整集的每次变化也会改变删失假设和处理效应被估量。在本文中，我们讨论了这些问题，并提出了一个简单的变量选择策略，旨在产生一个有效的测试的空在大样本。该建议可以使用现成的（惩罚）Cox回归软件来实现，并且根据经验发现在模拟研究和真实数据分析中效果良好。
2020-07-16 stat.AP stat.ME
A robust score test in g-computation for covariate adjustment in randomized clinical trials leveraging different variance estimators via influence functions
Data Sciences and Analytics, Pfizer Inc（辉瑞公司数据科学与分析部）；Division of Biostatistics and Health Data Science, University of Minnesota（明尼苏达大学生物统计学与健康数据科学系）；Institute of Natural Sciences, MOE-LSC, School of Mathematical Sciences, CMA-Shanghai, and SJTU-Yale Joint Center for Biostatistics and Data Science, Shanghai Jiao Tong University（上海交通大学自然科学研究院、教育部拉曼森数学中心、数学科学学院、上海数学中心及上交-耶鲁生物统计与数据科学联合中心）
本文提出一种稳健的g-计算得分检验，用于两样本治疗比较中的协变量调整，通过影响函数的不同方差估计器提升小样本和边界值情况下的统计检验可靠性。
2025-03-17 stat.AP stat.ME
Bias reduction in g-computation for covariate adjustment in randomized clinical trials
Data Sciences and Analytics, Pfizer Inc.（辉瑞公司数据科学与分析部）；Institute of Natural Sciences, MOE–LSC, School of Mathematical Sciences, CMA–Shanghai, and SJTU–Yale Joint Center for Biostatistics and Data Science, Shanghai Jiao Tong University（上海交通大学数学科学学院自然科学与工程教育部重点实验室、上海中心数学与应用数学研究所及上海交大-耶鲁生物统计与数据科学联合中心）；Division of Biostatistics and Health Data Science, University of Minnesota Twin Cities（明尼苏达大学双城分校生物统计与健康数据科学系）
针对随机临床试验中G计算估计的偏差问题，提出基于广义Oaxaca-Blinder估计器的偏差校正方法，保证估计有界并改善小样本性能。
2026-07-03 stat.AP stat.ME
Adjusting for Many Covariates in Randomized Clinical Trials with GLMs: Bias Reduction by Jackknife and Practical Guidance
Shanghai Jiao Tong University（上海交通大学）；Yale University（耶鲁大学）
针对随机临床试验中协变量过多导致偏差的问题，提出基于jackknife的JASA及校准版JASACal方法，避免样本分割，可调整远超现有基准的协变量数量，并提供实用指导。
2026-09-15 stat.ME
A novel longitudinal rank-sum test for multiple primary endpoints in clinical trials: Applications to neurodegenerative disorders
本文提出纵向秩和检验（LRST），一种无需多重性校正的非参数综合检验方法，可同时评估多个纵向终点的治疗效果，并在AD临床试验中验证其控制I类错误和提升功效的优势。
2025-02-06 stat.AP stat.ME
Statistical adjustment for a measure of healthy lifestyle doesn't yield the truth about hormone therapy
妇女健康倡议的激素治疗随机临床试验发现，激素在预防心血管疾病方面没有任何好处，这一发现与大量的观察性研究形成了鲜明的对比。了解更好的方法和/或统计调整是否可以防止观察性研究的错误结论是重要的。这是一项对绝经后激素治疗与心肌梗死（MI）和缺血性卒中风险关系的病例对照研究数据的再分析，我们报告这两种事件的风险总体上没有增加或减少。测量不太可能与MI和卒中风险存在因果关系的健康行为/生活方式的变量（例如，防晒霜使用）与传统混杂因素一起纳入多变量分析（年龄、高血压、糖尿病、吸烟、体重指数、种族、教育、MI的既往冠心病和卒中的既往卒中/TIA），以确定对健康行为/生活方式变量的调整是否可以重现或使结果更接近激素治疗的大型明确随机临床试验的结果，妇女健康倡议对于MI和卒中，健康行为/生活方式的测量与比值比（OR）小于1.0相关。传统心血管疾病混杂因素的调整并没有改变MI或卒中的OR值。将使用逐步回归选择的这些变量的子集与传统的心血管疾病混杂因素一起添加到最终的MI或卒中模型中，使雌激素和雌激素/阿托伐他汀使用的OR更接近妇女健康倡议临床试验中观察到的值，但不能可靠地重现这两个终点的临床试验结果。
2008-05-19 stat.AP
Efficient, Doubly Robust Estimation of the Effect of Dose Switching for Switchers in a Randomised Clinical Trial
受Janssen Pharmaceuticals进行的一项临床试验的启发，在该试验中，将灵活的给药方案与安慰剂进行了比较，我们评估了治疗组的转换者（即，换用高剂量的患者）如果继续使用低剂量，他们的情况会更好。这是为了了解灵活的剂量是否对他们有潜在的好处。简单地将这些患者的反应与保持低剂量的患者的反应进行比较是不令人满意的，因为后者的患者通常健康状况更好。由于所考虑的试验中的可用信息太少，无法进行可靠的调整，因此我们将从同时对同一靶点进行的固定剂量试验中传输数据，尽管不是在相同的患者人群中。特别是，我们将提出一个估计依赖于一个结果模型和一个倾向得分模型的研究和患者的特征之间的关联。建议的估计是渐近无偏的，如果两个模型中的至少一个是正确指定的，和有效的（下的模型定义的限制的倾向得分），当两个模型都正确指定。我们表明，所提出的使用外部研究结果的方法一般适用于由于阳性违反而不可能进行经典混杂调整的研究（例如，以确定性方式发生切换的研究）。蒙特卡罗模拟和应用的激励研究证明了足够的性能。
2020-09-04 stat.AP stat.ME
Conditional Inference for Secondary Outcomes Based on the Testing Result for the Primary Outcome in Clinical Trials
本文针对临床试验中基于主要结局检验结果选择性分析次要结局的问题，提出利用截断正态分布构造具有正确条件覆盖概率的置信区间，并通过SPRINT数据验证其有效性。
2025-04-11 stat.ME
Impact of interim analyses on Bayesian and frequentist operating characteristics of Bayesian clinical trials
Université Paris Cité and Université Sorbonne Paris Nord, Inserm, IAME（巴黎西岱大学与北巴黎索邦大学，INSERM，IAME）；Département d’Épidémiologie, Biostatistique, Recherche Clinique, AP-HP, Hôpital Bichat Claude-Bernard（AP-HP，比沙-克劳德·贝尔纳医院，流行病学、生物统计与临床研究系）；Department of Biostatistics, CHU Rouen（鲁昂大学医院，生物统计系）
研究中期分析对贝叶斯临床试验的影响，通过模拟研究正态分布结果的序贯试验，表明其改变频率论和贝叶斯操作特征，贝叶斯操作特征受先验影响，且重复分析对其影响大。
2026-07-07 stat.AP stat.ME
Bridging Balancing Weights and Augmentation in Covariate-adjusted Analyses with Time-to-Event Endpoints: Theory and Practical Recommendations
Duke University（杜克大学）；Eli Lilly and Company（礼来公司）
本文针对带时间-事件终点的协变量调整分析，证明平衡权重法与数据增强法、边缘Cox得分法一阶等价，校准加权无需拟合模型即可达到目标，还通过模拟和REWIND试验验证了结果并给出方差估计建议。
2026-08-10 math.ST stat.AP stat.ME
A Machine Learning Approach for Recruitment Prediction in Clinical Trial Design
近年来，在优化临床试验患者招募方面取得了重大进展，但是，需要改进患者招募预测方法，以支持试验中心选择并在试验设计阶段估计适当的入组时间表。在本文中，使用来自数千个历史临床试验的数据，我们探索了机器学习方法来预测临床试验中心在试验招募持续时间内每月招募的患者数量。我们表明，这些方法可以减少与当前的行业标准所观察到的错误，并提出进一步改进的机会。
2021-11-14 cs.LG stat.AP stat.ML
Finite-sample correction for the covariate-adjusted log-rank test
Universitat Politècnica de Catalunya - BarcelonaTech (UPC)（加泰罗尼亚理工大学）；Novartis Pharma AG（诺华制药股份有限公司）
本文针对协变量调整对数秩检验小样本下I类错误率膨胀问题，提出考虑残差自由度损失与回归系数不确定性的有限样本校正，经模拟验证可有效降低该错误率膨胀。
2026-08-13 stat.ME
Making all pairwise comparisons in multi-arm clinical trials without control treatment
针对无对照臂的多臂试验，本文提出可精确控制错误率、提升效能且支持多阶段适应性设计的全成对假设检验方法。
2024-10-28 stat.ME
Assessing covariate-adjusted risk differences in small-sample clinical trials
Boehringer Ingelheim Pharma GmbH & Co. KG（勃林格殷格翰制药）；F. Hoffmann-La Roche Ltd（罗氏制药有限公司）；Novo Nordisk（诺和诺德）
针对小样本（N≤150）随机临床试验，通过模拟研究比较精确无条件检验、Mantel-Haenszel方法和g计算法在估计和检验风险差异时的表现，发现g计算法在极小样本中I类错误膨胀，而稳健或惩罚变体可改善错误控制但牺牲功效，经典方法稳健但效率较低，并基于结果提供方法选择建议。
2026-07-22 stat.ME
Estimating the Efficiency Gain of Covariate-Adjusted Analyses in Future Clinical Trials Using External Data
我们提出了一个一般框架，使用现有的数据来估计效率增益使用协变量调整估计的边际处理效应在未来的随机试验。我们描述的条件下，它是可能的，以定义一个映射的分布，产生现有的外部数据的协变量调整估计的相对效率相比，未调整的估计。在一定条件下，这些相对效率近似于实现期望功效所需的样本量的比率。我们考虑两种情况下的结果是完全或部分观察和几个处理效应估计是特别感兴趣的大多数试验。对于每个这样的被估量，我们开发了一个半参数有效的相对效率的估计，允许灵活的统计学习工具的应用程序来估计滋扰功能和相应的沃尔德型置信区间的分析形式。我们还提出了一个双引导计划，用于构建置信区间。我们通过模拟研究证明了所提出的方法的性能，并将这些方法应用于数据，以估计在Covid-19治疗试验中使用协变量调整的相对效率。
2021-04-30 stat.ME
On the relevance of prognostic information for clinical trials: A theoretical quantification
如何利用队列研究或历史临床试验中的个体患者数据来设计更强大，或更小但同样强大的临床试验，在数字化时代变得越来越重要。今天，传统的统计分析方法似乎值得怀疑的从业者普遍存在的历史协变量信息。一些方法学的发展旨在将历史信息纳入未来临床试验的设计和分析中，最重要的是贝叶斯信息借用、倾向得分方法、分层和协变量调整。最近，调整分析的预后评分，这是从一些机器学习程序应用于历史数据，已被建议，我们研究这种方法的潜力，随机临床试验。在1：1分配的两组试验中，在正常结局的理想情况下，我们推导出一个简单的样本量减少公式，作为表征预后评分的两个标准的函数：（1）历史数据的决定系数$R^2$和（2）估计的和真实的未知预后评分之间的相关性$ρ$。在保持相同把握度的同时，未校正分析计划的原始总样本量$n$在校正分析中减少至$(1 - R^2 ρ^2) \times n$。在不太理想的情况下的鲁棒性进行了经验评估。我们的结论是，有潜力大大更强大或更小的试验，但只有当预后评分可以准确估计。
2021-11-05 stat.ME
Accounting for Inconsistent Use of Covariate Adjustment in Group Sequential Trials
针对群序贯试验中协变量调整使用不一致导致的I类错误膨胀和估计偏差问题，提出正确的期中监测、估计与推断方法，并通过模拟研究验证其性能，最终给出应用建议。
2023-08-09 stat.ME
A non-parametric U-statistic testing approach for multi-arm clinical trials with multivariate longitudinal data
针对多变量纵向数据的多臂临床试验需求，将仅限于两臂比较的纵向秩和检验（LRST）扩展至多臂设置，提出多臂LRST方法，经模拟和Bapi 301试验验证，其I类错误控制出色且功效更高，可检测最有效剂量。
2025-02-14 stat.AP stat.ME
A Causally Formulated Hazard Ratio Estimation through Backdoor Adjustment on Structural Causal Model
Marquette University（马凯特大学）；Purdue University（普渡大学）
确定治疗干预的因果关系是健康科学中的一个基本问题。随机对照试验（RCT）被认为是确定因果关系的金标准。然而，最近的进展，因果推断理论的基础上的结构因果模型（SCM）的基础上，允许识别因果关系的观测数据，在一定的假设。生存分析提供了标准的测量方法，如风险比，以量化干预的效果。虽然风险比广泛用于RCT的临床和流行病学研究，但不存在计算SCM观察性研究的风险比的原则性方法。在这项工作中，我们回顾现有的方法来计算风险比以及它们的因果解释，如果它存在。我们还提出了一种新的方法来计算风险比的观察性研究使用后门调整通过SCM和do-calculus。最后，我们评估的方法，尤文氏肉瘤的实验数据。
2020-06-22 cs.LG stat.ME stat.ML
Family-wise error rate control in clinical trials with overlapping populations
针对重叠患者人群的多治疗策略临床试验存在多重性问题，现有ANOVA假设下的FWER控制方法在异质性零效应抵消时失效，本文提出替代方案并比较其FWER控制效果与检验效能。
2025-11-12 stat.ME
Semiparametric Weighted Spline Regression (SWSR) in Confirmatory Clinical Trials with Time-Varying Placebo Effects
针对确证性临床试验中时变安慰剂效应导致现有方法无法兼顾控制I类错误率和检验效能的问题，提出半参数加权样条回归（SWSR）方法，利用B样条非参数估计治疗效果，实现了I类错误控制、高检验效能和对未知时变效应的稳健性。
2025-06-01 stat.ME
Adding flexibility to clinical trial designs: an example-based guide to the practical use of adaptive designs
临床试验的适应性设计允许根据积累的数据对研究进行修改，以使试验更加灵活，道德和有效。通过预先规定和适当调整试验过程中可能的变更，在保持试验完整性和有效性的同时实现了这些益处。尽管统计学文献中的许多研究强调了自适应设计相对于传统固定设计的潜在优势，但在临床研究中采用此类方法的速度一直很慢。其中一个主要原因是，对试验设计的不同适应，以及它们的优点和局限性，仍然不为大部分临床社区所熟悉。本文的目的是澄清适应性设计可以用来解决特定的科学问题，我们介绍了适应性设计的主要特点和常用的术语，突出其效用和陷阱，并说明其使用通过适应性试验的案例研究，从早期阶段的剂量递增到验证性III期研究。
2020-06-23 stat.AP
"Within-trial" prognostic score adjustment is targeted maximum likelihood estimation
本文阐明无历史数据时的“试验内”预后协变量调整本质上是目标最大似然估计（TMLE），并通过模拟研究证明其等价性，对比了该方法与标准TMLE及历史数据预后调整的优缺点。
2025-11-04 stat.ME
Comparing restricted mean survival times in small sample clinical trials using pseudo-observations
针对小样本临床试验中比例风险假设不可靠及RMST渐近检验I型错误率膨胀的问题，提出基于伪观测回归模型的两种方法，通过模拟研究和临床试验数据验证其有效性及协变量调整等扩展应用。
2024-08-28 stat.ME
Covariate-adjusted win statistics in randomized clinical trials with ordinal outcomes
Shenzhen Technology University（深圳理工大学）；Feinberg School of Medicine, Northwestern University（西北大学费恩伯格医学院）；University of Wisconsin - Madison（威斯康星大学麦迪逊分校）；Yale University School of Public Health（耶鲁大学公共卫生学院）；Yale Center for Analytical Sciences, Yale University School of Public Health（耶鲁大学公共卫生学院分析科学中心）；University of Washington（华盛顿大学）；Clinical Learning, Evidence, and Research (CLEAR) Center, University of Washington（华盛顿大学临床学习、证据与研究（CLEAR）中心）；Section of Cardiovascular Medicine, Department of Internal Medicine, Yale School of Medicine（耶鲁医学院内科学系心血管医学部）；Cardiovascular Medicine Analytics Center, Yale School of Medicine（耶鲁医学院心血管医学分析中心）；Center for Methods in Implementation and Prevention Science, Yale School of Public Health（耶鲁大学公共卫生学院实施与预防科学方法中心）
针对序数结局，提出基于倾向性评分加权和增广加权的胜率估计方法，实现协变量调整以提高效率，并证明模型稳健性。
2026-06-12 stat.ME
Regression Adjustment for Estimating Distributional Treatment Effects in Randomized Controlled Trials
本文提出一种结合分布回归与预处理信息的回归调整方法，在无强分布假设下提升随机实验中分布性处理效应估计效率，仿真与实际应用验证其精度更优，可识别传统方法遗漏的效应。
2025-01-14 econ.EM math.ST stat.ME
An IPCW Adjusted Win Statistics Approach in Clinical Trials Incorporating Equivalence Margins to Define Ties
本文提出一类带等价界值的赢统计量用于时间-事件终点，并通过IPCW调整处理右删失，实现可识别且不依赖删失分布的估计与推断，经模拟和真实肿瘤试验验证。
2025-06-03 stat.AP stat.ME
Clinical trials impacted by the COVID-19 pandemic: Adaptive designs to the rescue?
最近，新的病原体严重急性呼吸道综合征冠状病毒2（SARS-CoV-2）被确定，世界卫生组织宣布2019年冠状病毒病（COVID-19）为大流行病。疫情对正在进行的非COVID-19临床试验产生了多项影响。受四个目前正在进行的各种疾病领域的临床试验的启发，我们说明了大流行所面临的挑战，并勾勒出可能的解决方案，包括适应性设计。提供了以下方面的指导：（i）盲态调整可以提供帮助的地方;（ii）如何实现第一类错误率控制（如需要）;（iii）如何处理潜在的处理效应异质性;（iv）如何利用早期读数;以及（v）如何利用贝叶斯技术。更详细地说，研究人员制定了阻止受大流行影响的试验的方法，包括考虑提前停止试验、使用组序贯设计或调整样本量。所有考虑的方法都在一个免费的R shiny应用程序中实现。此外，还讨论了监管和运营问题，包括数据监测委员会的作用。
2020-05-28 stat.AP
Adaptive enrichment trial designs using joint modeling of longitudinal and time-to-event data
本文提出基于纵向与时间-事件数据联合模型的自适应富集试验设计方法，利用生物标志物重复测量定义富集规则和早期停止规则，并通过模拟证明其能准确识别亚组并提高检验效能。
2024-02-23 stat.ME
Prognostic Adjustment with Efficient Estimators to Unbiasedly Leverage Historical Data in Randomized Trials
本研究将预后协变量调整扩展到非参数高效估计量，利用历史数据提高随机试验小样本下的功效且无偏倚，并通过模拟和真实临床试验数据验证。
2023-11-15 stat.ME
Adjusting for publication bias in meta-analysis via inverse probability weighting using clinical trial registries
发表偏倚是进行系统性综述和荟萃分析时的一个主要问题。各种敏感性分析或偏差校正方法已被开发的基础上选择模型，它们有一些优于广泛使用的偏差校正方法的修剪和填充方法。然而，基于选择模型的似然方法可能难以获得精确的估计值和合理的置信区间，或者需要复杂的敏感性分析过程。在本文中，我们开发了一种简单的出版偏倚调整方法，利用临床试验注册中已进行但尚未发表的试验信息。本文将发表偏倚问题看作是非随机缺失情形下的缺失数据问题，引入了选择函数中参数估计的估计方程。利用估计的选择函数，我们引入了逆概率加权（IPW）方法来估计研究间的总体均值。此外，IPW版本的异质性措施，如研究间方差和I2措施的建议。我们提出的方法来构建渐近置信区间，并建议间隔参数自举作为一种替代。通过数值实验，我们观察到，估计成功地消除了偏差和置信区间的经验覆盖概率接近名义水平。另一方面，在某些情况下，渐近置信区间比自举置信区间宽得多。因此，建议将后者用于实际应用。
2021-09-26 stat.ME
Negative Control Outcome Adjustment in Early-Phase Randomized Trials: Estimating Vaccine Effects on Immune Responses in HIV Exposed Uninfected Infants
针对早期随机试验中协变量调整的局限，提出阴性对照结局（NCO）调整方法，通过引入与主要结局高度相关的辅助随机化后结局来提高估计精度，并在HIV暴露未感染婴儿疫苗试验的再分析中验证了其有效性。
2025-04-04 stat.ME
Blinded sample size recalculation in randomized controlled trials with analysis of covariance
The University of Tokyo（东京大学）；National Center of Neurology and Psychiatry（国立精神·神经医疗研究中心）
研究针对随机对照试验中基于协方差分析设计样本量时确定参数难的问题，提出基于最小分布假设下渐近相对效率的盲法样本量重新计算方法，经模拟和HIV临床试验验证可减少样本量且不增I型错误率。
2026-07-22 stat.ME
Machine Learning Assisted Adjustment Boosts Efficiency of Exact Inference in Randomized Controlled Trials
提出一种基于机器学习调整的推断方法，在Rosenbaum精确检验框架下控制第一类错误并提升RCT统计效率，减少样本量和成本。
2024-07-22 stat.ME stat.ML
Covariate adjustment and prediction of mean response in randomised trials
除了随机分组外，随机试验的分析通常基于调整基线协变量的回归模型。基于这些模型，通过对试验中基线协变量经验分布的基于模型的预测进行平均，可以获得分配至每种治疗的人群的边际平均结局估计值。我们确定在什么条件下，这样的估计是一致的，特别是表明，典型的广义线性模型，所得到的估计总是一致的。我们发现，最近提出的方差估计低估了真实的方差时，基线协变量是不固定的重复采样，并提供了一个简单的调整，以弥补这一点。我们还描述了一种替代的半参数估计，即使当使用的结果回归模型是错误的，这是一致的。不同的估计比较，通过模拟和应用，最近进行的试验在哮喘。
2017-07-14 stat.ME
Weighting Based Approaches to Borrowing Historical Controls for Indirect comparison for Time-to-Event Data with a Cure Fraction
针对含治愈比例的时间事件数据中借用历史对照做单臂试验间接比较的混杂偏倚问题，提出基于伪观测值和熵平衡校准加权的调整方法，经模拟验证并应用于乳腺癌研究。
2023-08-22 stat.ME
Exact Bias Correction for Linear Adjustment of Randomized Controlled Trials
Freedman（2008）在一个有影响力的实证实践批判中指出，在随机化模型下，线性回归估计量在分析随机对照试验时存在偏倚。根据Freedman的假设，我们推导出精确的闭合形式的偏差校正的线性回归估计和不治疗的协变量的相互作用。我们证明了偏差校正估计量的极限分布与未校正估计量的极限分布是相同的，这意味着可以在不引入任何偏差风险的情况下获得调整的渐近增益。结合Lin（2013）的结果，我们的结果表明，Freedman反对使用回归调整的理论论点可以通过对实践的微小修改而完全解决。
2021-10-25 econ.EM stat.ME
Covariate Adjustment in Bayesian Adaptive Randomized Controlled Trials
本文研究贝叶斯自适应随机对照试验中的协变量调整方法，展示如何从调整分析中获取边际估计目标的后验样本，并通过模拟和COVID-19试验证明其能提高检验效能、增加提前停止概率并降低预期样本量。
2023-11-23 stat.AP stat.ME
Covariate adjustment in randomised trials: canonical link functions protect against model mis-specification
协变量调整有可能增加随机试验分析的功效，但调整模型的错误设定可能导致错误。我们探讨了在协变量在随机化治疗之间完全平衡的情况下，当调整模型忽略了随机化治疗相互作用的协变量时可能出现的错误。我们使用数学论证和对单个假设数据集的分析。我们表明，分析与典型的链接函数的广义线性模型导致零下没有错误-也就是说，如果处理效应是真正的调整后的模型下为零，那么它也是在未调整的模型下为零。然而，使用非规范的链接函数不会给出此属性，并在null下导致潜在的重要错误。即使在大样本中也存在误差，因此构成偏倚。我们的结论是随机试验的协变量调整分析应避免非典型联系。如果边际风险差异是估计的目标，则不应使用身份链接进行估计;替代的首选方法包括标准化和治疗加权的逆概率。
2021-07-15 stat.ME
Platform Trials: the Impact of common Controls on Type One Error and Power
平台试验提供了一个框架，可以在一项试验中研究多种干预措施，并有机会打开和关闭两组。与单个对照组或每种治疗单独试验相比，在平台试验中使用共同对照可提高效率。然而，作为共同控制的结果，多重性调整的必要性目前在研究人员、制药公司以及监管机构之间存在争议。我们研究了平台试验中的共同控制臂对第一类错误和功效的影响，与模拟研究中使用单独控制臂的平台试验相比。此外，我们评估了在平台试验中需要进行多重性调整的情况下对把握度的影响。在这两种研究设计中，与标准的双臂随机对照试验相比，未应用多重性调整时，家族错误率（FWER）被夸大。在共同控制的情况下，FWER膨胀较小。在大多数情况下，在多重性调整后，具有共同对照的平台试验在样本量和把握度方面仍然是有益的，而在某些情况下，具有共同对照的平台试验失去了效率增益。因此，我们进一步讨论了调整的必要性，在家庭的定义或假设的依赖性。
2023-02-09 stat.ME
Impact of the adjustment of stratification factors on time-to-event analyses
在具有至事件终点时间的分层临床试验设计中，分层因素通常用于对数秩检验和Cox回归分析。在这项工作中，我们已经评估了分层因素对分层对数秩检验功效的影响，并通过模拟比较了多变量和分层Cox回归分析之间HR估计的偏倚和标准误。我们的调查结果表明，在存在其预后影响的情况下不考虑分层因素以及事件数量较少的分层可能会大大降低对数秩检验的功效。此外，与分层Cox分析相比，多变量Cox分析的HR估计值更准确和精确。我们的研究结果指出，在研究设计时，有必要评估分层因素对事件发生时间分析的影响，目前这还不是一种规范。
2020-06-27 stat.AP
