Comparing causal estimands from sequential nested versus single point target trials: A simulation study
University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Target RWE(目标真实世界证据);Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院);Bloomberg School of Public Health, Johns Hopkins University(约翰霍普金斯大学彭博公共卫生学院);Duke University(杜克大学)
本研究通过模拟比较了连续嵌套试验与单点试验在因果估计量上的差异,发现疾病严重程度影响治疗效果时,两种试验方法的估计结果存在差异。
2026-01-28 stat.AP
Does your cost-effectiveness model answer the question of interest? Marginal versus conditional inputs and transportability across populations
University of California, San Francisco(旧金山加利福尼亚大学);UCSF Helen Diller Family Comprehensive Cancer Center, University of California, San Francisco(旧金山加利福尼亚大学 UCSF 海伦·迪勒家庭综合癌症中心);The Philip R. Lee Institute for Health Policy Studies, University of California, San Francisco(旧金山加利福尼亚大学菲利普·李卫生政策研究所);Health Economics & Outcomes Research(健康经济学与结果研究);University of British Columbia, Vancouver, Canada(不列颠哥伦比亚大学);University of Bristol, UK(布里斯托大学);Novo Nordisk Pharma, Madrid, Spain(诺和诺德制药);University College London, UK(伦敦大学学院)
本文探讨模型化成本效果分析中边际与条件输入的可迁移性问题,提出个体水平模拟延迟边际化以准确估计边际成本效果,并强调记录输入类型与人群的重要性。
2026-10-06 stat.AP stat.ME
Two-Phase Treatment with Noncompliance: Identifying the Cumulative Average Treatment Effect via Multisite Instrumental Variables
University of Chicago(芝加哥大学)
本文提出了一种通过多站点工具变量识别两阶段治疗累积平均治疗效应的方法,解决了不合规行为和排除限制问题,并通过模拟和实证研究验证了其有效性。
2026-01-30 stat.AP stat.ME
Instrumental variable estimation of early treatment effect in randomized screening trials
癌症随机筛查试验的主要分析通常遵循意向筛查原则,测量筛查组和对照组之间癌症特异性死亡率的降低。这些死亡率的降低是筛查方案、筛查技术和早期筛查诱导的治疗效果相结合的结果。这促使分别处理这些不同的方面。在这里,我们感兴趣的是早期与延迟治疗对筛查可检测亚组中癌症死亡率的因果关系,在某些假设下,可以使用工具变量类型的方法从传统的随机筛查试验中估计。为了定义感兴趣的因果效应,我们制定了一个简化的结构多状态模型的筛选试验,基于一个假设的干预试验,筛选检测到的个人将被随机分为早期与延迟治疗。通过病因特异性风险比量化筛查检测后癌症特异性死亡率的降低。为此,我们提出了两个估计,估计方程和似然表达式的基础上。该方法将现有的时间至事件和竞争风险结果的工具变量方法扩展到时间依赖性中间变量。使用的多状态模型的数据生成机制的基础上,我们通过仿真研究新的估计器的性能。此外,我们说明了所提出的方法的背景下,CT筛查肺癌使用美国国家肺筛查试验(NLST)的数据。
2021-06-07 stat.ME
Simultaneous comparisons of treatments versus control (Dunnett-type tests) for location-scale alternatives
通常,仅在可能的尺度效应被认为是干扰性的情况下,才对位置效应进行处理组与对照组的比较。有时规模效应也是相关的,作为一种变化的早期指标。在这里,几种方法的Dunnett型测试的位置或规模效应的建议和比较的模拟研究。对两个实际数据实例进行了相应的分析,相关的R代码见附录。
2021-03-11 stat.AP stat.ME
Tree-based Subgroup Discovery In Electronic Health Records: Heterogeneity of Treatment Effects for DTG-containing Therapies
电子健康档案(EHR)提供的丰富的纵向个体水平数据可用于检查处理效应异质性。然而,使用EHR数据估计处理效应带来了一些挑战,包括时变混杂、协变量的重复和时间不一致测量、治疗分配和结局以及由于脱落导致的失访。在这里,我们开发了纵向数据的亚组发现(SDLD)算法,一种基于树的算法,用于通过将广义交互树算法(一种用于亚组发现的通用数据驱动方法)与纵向目标极大似然估计相结合,使用纵向数据发现具有异质处理效应的亚组。我们将该算法应用于EHR数据,以发现人类免疫缺陷病毒(HIV)感染者的亚组,他们在接受含度鲁特韦的抗逆转录病毒治疗(ART)时体重增加的风险高于接受不含度鲁特韦的ART时。
2022-08-30 stat.AP stat.ME stat.ML
Assessing causal effects in the presence of treatment switching through principal stratification
该研究通过主分层重新定义治疗转换问题,采用贝叶斯方法处理连续时间转换与删失,分析Concorde合成数据,发现立即使用齐多夫定增加从未转换者生存时间且效果异质性高。
2023-09-05 stat.AP stat.ME
Randomization for the susceptibility effect of an infectious disease intervention
传染病干预措施(如疫苗)的随机试验通常集中在相互联系或可能相互作用的个体群体上。当感兴趣的病原体在研究受试者之间传播时,可能会发生干扰:个体感染结果可能取决于其他人接受的治疗。流行病学家将主要的因果效应定义为“易感性效应”,即在保持接触传染性不变的情况下,接受治疗与不接受治疗的感染风险的对比。一个相关的量-“直接效应”-被定义为接受治疗与不接受治疗的感染风险之间的无条件对比。本文的目的是表明,在广泛推荐的随机设计下,当结果具有传染性时,在随机试验中,直接效应可能无法恢复干预措施的真实易感性效应的迹象。该分析方法使用传染病传播的结构特征来定义易感性效应。一个新的概率耦合参数揭示了不同治疗分配下潜在感染结果之间的随机显性关系。结果表明,当结果具有传染性时,估计随机化下的直接效应可能会对干预措施(如疫苗)的效果提供误导性的推断。
2019-12-09 math.ST q-bio.PE stat.AP
Comparing methods to assess treatment effect heterogeneity in general parametric regression models
Novartis Pharmaceuticals Corporation(诺华制药公司);Novartis Pharma AG(诺华药品股份公司);China Novartis Institutes for Bio-Medical Research Co(中国诺华生物医学研究所有限公司);Universität Zürich(苏黎世大学)
本文比较了参数回归模型中评估治疗效应异质性的不同方法,发现基于分数残差的方法在灵活性和可靠性方面表现优异,适用于临床试验中的决策支持。
2026-02-05 stat.AP
Regression-based estimation of heterogeneous treatment effects when extending inferences from a randomized trial to a target population
从随机试验到目标人群的扩展-推广或运输-推论的方法涉及调节一组大的协变量,足以使随机化和非随机化组互换。然而,决策者往往有兴趣在仅根据少数离散协变量定义的目标人群亚组中检查处理效应。在这里,我们提出了估计亚组特定的潜在结果的手段和平均处理效应的一般性和可移植性分析的方法,使用结果模型为基础的(g公式),加权和增强加权估计。我们考虑在目标人群及其非随机化亚组中估计亚组特异性平均处理效应,并提供适用于嵌套和非嵌套试验设计的方法。作为一个例子,我们应用的方法,从冠状动脉手术研究的数据,比较手术加药物治疗与药物治疗单独治疗慢性冠状动脉疾病的心肌梗死史定义的亚组的影响。
2021-09-30 stat.ME
Robust causal inference with continuous instruments using the local instrumental variable curve
工具变量通常用于估计受未测量的混杂影响的治疗的效果,并且在实践中工具通常是连续的(例如,距离或治疗偏好的测量)。然而,连续仪器的可用方法具有重要的局限性:它们要么需要用于识别的限制性参数假设,要么依赖于对结果和治疗过程进行良好的建模(并且需要通过所有调整协变量进行建模效应修改)。在这项工作中,我们开发了第一个半参数双稳健估计的局部工具变量效应曲线,即,在那些接受治疗的人中,仪器值高于某个阈值而不是低于该阈值。除了对工具或治疗/结果过程的错误指定具有鲁棒性外,我们的方法还结合了有关工具机制的信息,并允许对效果修改进行灵活的数据自适应估计。我们讨论了弱条件下的渐近性质,并使用的方法来研究婴儿死亡率的影响,新生儿重症监护病房的高与低的技术能力,使用旅行时间作为一种工具。
2018-07-04 stat.ME
Optimal Tests of Treatment Effects for the Overall Population and Two Subpopulations in Randomized Trials, using Sparse Linear Programming
我们提出了新的,最佳的方法来分析随机试验,当它被怀疑,处理效应可能会有所不同,在两个预定义的亚群。这些亚群可以通过在基线测量的生物标志物或风险因素来定义。目标是同时了解哪些亚群从实验性治疗中获益,同时提供对家族第一类错误率的强有力控制。我们正式这是一个多重检验问题,并表明它是计算上不可行的解决使用现有的技术。我们的解决方案涉及到一种新的方法,在这种方法中,我们首先将原来的多重检验问题转化为一个大型的,稀疏的线性规划。然后,我们使用先进的优化技术来解决这个问题。这种通用方法可以解决许多与最优试验设计有关的多重检验问题和决策论问题,而这些问题以前是没有解决办法的。特别是,我们构造新的多重检验程序,满足极大极小和贝叶斯最优性准则。对于一个给定的最优性标准,我们的新方法产生的最佳权衡?在总体人群中检测效应的把握度与在亚群中检测效应的把握度之间的差异。我们展示了我们的方法的例子动机的两个随机试验的新的治疗艾滋病毒。
2013-06-05 stat.ME
Evaluating Predictive Modeling Strategies for Predicting Individual Treatment Effects in Precision Medicine
Regensburg University(雷根斯堡大学);University of New Mexico(新墨西哥大学);MRC Biostatistics Unit, University of Cambridge(剑桥大学医学研究委员会生物统计学单位)
本文评估了多种建模策略在预测个体治疗效应中的性能,发现线性/投影方法表现稳健,而灵活学习者需强信号和充足样本量,强调外部验证的重要性。
2026-02-05 stat.AP
Teaching Design of Experiments using Hasse diagrams
Hasse图提供了一种原则性的方法,用于可视化通过交叉和嵌套实验因子构建的统计设计的结构。它们长期以来一直应用于复杂设计的线性模型及其相关线性子空间的自动构造。在这里,我们认为,他们也可以提供一个核心组成部分的规划和教学介绍或服务课程的试验设计。具体来说,我们展示了如何Hasse图允许构建最基本的设计,并找到他们的许多属性,如自由度,错误层,实验单位和F-检验的验证器。用于分析的线性(混合)模型直接对应于图表,这有助于定义模型并在统计软件中指定它。我们演示了教师如何无缝地使用Hasse图来构建设计,结合简单的单元和治疗结构,识别伪复制,并讨论设计的随机化,单元治疗与治疗治疗相互作用,或完全混淆。这些特性使哈斯图成为统一思想和概念的有力工具。
2019-12-18 stat.AP
Estimating Treatment Effect under Additive Hazards Models with High-dimensional Covariates
针对高维加性风险模型,提出正交得分与 HDi 估计量,实现双重稳健且允许单模型稠密的治疗效应推断,并用于前列腺癌治疗比较。
2024-12-02 q-bio.QM stat.AP stat.ME
Evaluating and Testing for Actionable Treatment Effect Heterogeneity
提出一种基于嵌套交叉验证的通用程序,通过对比允许与不允许处理效应变化的模型来量化预测性能提升,并生成置信区间以评估异质性处理效应(HTE)建模的实际优势。
2025-03-06 stat.ME
Incremental causal effects: an introduction and review
在本章中,我们回顾了Kennedy [2019]提出的基于增量倾向得分干预的因果效应类别。增量倾向得分干预的目的是估计增加或减少受试者接受治疗的可能性的影响;这与平均处理效应不同,后者的目的是估计每个人确定性地接受与不接受治疗的效果。我们首先提出的情况下,当有一个单一的二元治疗,使它可以比较平均处理效应,从而阐明关键概念的增量因果关系的影响。特别是,增量效应的一个好处是,确定因果效应不需要积极性--因果推断中的一个常见假设。然后,我们讨论了更一般的情况下,治疗是在多个时间点测量,其中积极性更容易被侵犯,因此增量效应可能是特别有用的。在整个过程中,我们激励增量效应与现实世界中的应用,这些影响的非参数估计,并讨论其效率特性,同时也简要回顾了影响函数在功能估计中的作用。最后,我们将展示如何在实践中使用这些估计来解释和分析结果,并讨论扩展和未来的方向。
2021-10-20 stat.ME
Estimation of Treatment Effects in Matched-Pair Cluster Randomized Trials by Calibrating Covariate Imbalance between Clusters
我们解决估计干预效果的试验设计,其中(a)干预措施被分配在集群水平;(b)集群被选择形成对,所观察到的特征相匹配;(c)干预措施被随机分配到一个集群内的每对。政策关注的一个目标是估计平均结果,如果所有对中的所有集群被分配控制,如果所有对中的所有集群被分配干预。在这种设计中,忽略个体水平协变量的推断可能是不精确的,因为聚类水平分配可能会在每对实验组之间的协变量分布中留下实质性的不平衡。然而,大多数现有的方法,调整协变量的估计,是没有政策利益。我们提出了一种方法,明确平衡观察到的协变量之间的集群对,并保留原来的估计的兴趣。我们通过对指导护理计划的评估来展示我们的方法。
2014-11-21 stat.ME
Unbiased Estimation for Total Treatment Effect Under Interference Using Aggregated Dyadic Data
针对社交网络互动干扰下的因果效应估计问题,本文提出一种基于伯努利随机化设计和聚合二元数据的TTE无偏估计量,并通过数值实验证明其优于常用估计量。
2024-02-20 cs.SI stat.AP
Median Optimal Treatment Regimes
Carnegie Mellon University(卡内基梅隆大学)
最佳治疗方案是基于受试者特征做出治疗决策的个性化策略,其中选择的策略使某些值最大化。通常的目标是最大限度地提高人群的平均结局,通过一种方案,仅将治疗分配给治疗组与对照组相比平均结局更高的患者。然而,平均值可能是一个不稳定的中心性指标,导致不精确的统计程序,以及不稳健的决策,可能会受到一小部分受试者的过度影响。在这项工作中,我们提出了一个新的中位数最佳治疗方案,而不是治疗条件中位数较高的个人治疗。这确保了来自同一组的个体的最佳决策不会受到(i)该组的一小部分(与平均值标准不同)或(ii)来自不同组的无关受试者(与边际中位数/分位数标准不同)的过度影响。我们引入了一个新的价值衡量标准,平均条件中位数效应(ACME),它总结了一个政策的跨组中位数治疗结果,以及中位数最佳治疗方案最大化。开发关键激励的例子,区分中位数最优治疗方案的平均值和边际中位数最优治疗方案后,我们给出了一个非参数的效率界估计的ACME的政策,并提出了一个新的双重鲁棒风格的估计,实现弱条件下的效率界。为了构造中位最优治疗方案,我们引入了一个新的双稳健型估计的条件中位数处理效应。通过数值模拟和所提出的算法说明了随机临床试验中的数据与艾滋病毒感染者的样本属性进行了探讨。
2022-02-24 cs.LG stat.ME
Evaluating the impact of longitudinal treatment strategies in the presence of informative monitoring and time-dependent confounding
London School of Hygiene and Tropical Medicine(伦敦卫生与热带医学学院);University College London(伦敦大学学院);Whittington Hospital(惠廷顿医院)
本文探讨了在存在信息性监测和时间依赖性混杂因素时,如何评估纵向治疗策略对时间到事件结局的影响,通过模拟研究和临床数据示例,验证了逆概率加权、G计算和纵向目标最大似然估计等方法的适应性。
2026-04-10 stat.AP
Adaptive Orthogonalization for Stable Estimation of the Effects of Time-Varying Treatments
Harvard University(哈佛大学);Columbia University(哥伦比亚大学)
针对时变处理效应估计中逆倾向权重不稳定的问题,提出自适应正交化方法,通过平衡与历史正交的协变量成分提升稳健性,理论证明其一致性与渐近正态性,并在模拟与智利学校研究中验证了有效性。
2025-11-04 stat.ME
A Bayesian Nonparametric Causal Model for Regression Discontinuity Designs
对于非随机化研究,在相对温和的条件下,回归不连续设计(RDD)可用于识别和估计“局部随机化”受试者亚组的因果效应。然而,当前模型通过线性回归将因果推断集中在治疗(与非治疗)变量对因变量均值的影响上。对于RDD,我们提出了一个灵活的贝叶斯非参数回归模型,可以提供准确的估计因果关系的影响,在预测均值,方差,分位数,概率密度,分布函数,或任何其他选择的功能的结果变量。我们通过两个真实的教育数据集的分析来说明该模型,涉及(分别)一个清晰的RDD和一个模糊的RDD。
2015-02-11 stat.ME
Considerations for Estimating Causal Effects of Informatively Timed Treatments
本文探讨了信息性定时治疗对因果效应估计的影响,提出利用g方法调整等待时间作为时间变化混杂因素以提高推断有效性。
2025-08-29 cs.LG stat.ME
Causal Inference for Comprehensive Cohort Studies
在两种竞争治疗(例如A和B)的综合队列研究中,临床上符合条件的个人首先被要求参加随机试验,如果他们拒绝,然后被要求参加平行观察性研究,在其中他们可以选择治疗根据自己的喜好。我们考虑估计两个被估量:(1)综合队列因果效应--综合队列中所有患者接受治疗A与治疗B的平均潜在结局差异;(2)随机试验因果效应--随机试验中所有患者接受治疗A与治疗B的平均潜在结局差异。对于每个估计,我们考虑各种不混淆假设下的推断,并构造半参数有效和鲁棒估计。这些估计依赖于滋扰功能,我们估计,为了说明的目的,使用广义可加模型。利用样本分裂理论,我们建立了我们提出的估计的渐近性质。我们还使用来自旁路血管成形术血运重建研究(BARI)随机试验和观察注册的数据来说明我们的方法,以评价经皮腔内冠状动脉球囊血管成形术与冠状动脉旁路移植术对5年死亡率的影响。为了评估我们估计的有限样本性能,我们使用BARI数据集作为现实模拟研究的基础。
2019-10-08 stat.ME
Testing Cumulative Treatment Effects in Continuous Time with ODE Dynamics and Noisy Observations
University of Michigan(密歇根大学);University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文提出了一种基于连续时间强化学习的方法,用于检验治疗效应的累积影响,通过平均治疗效应和价值函数估计,提高了多分辨率观测下的准确性。
2026-10-15 stat.ME
An application of principal stratification to control for institutionalization at follow-up in studies of substance abuse treatment programs
关于戒毒治疗和刑事司法系统干预措施影响的纵向研究的参与者面临被送入收容所的高风险(例如,在他们吸毒、犯罪或从事危险行为的自由可能受到限制的环境中度过一段时间)。在随访过程中,在机构化的情况下,用于估计处理效应的方法可能对应用中不太可能满足的假设高度敏感,因此可能产生误导性推断。在本文中,我们考虑使用的主要分层控制机构在后续。对于由于脱落、死亡或其他形式的删失而无法观察到研究参与者样本结果的类似问题,建议进行主要分层。该方法确定的主要层次内的因果关系的影响是明确的,并可能估计。我们扩展的主要分层的方法,在后续的制度化和估计的影响,住宅药物滥用治疗与门诊服务的青少年药物滥用治疗计划的大规模研究。此外,我们还讨论了将主分层模型应用于数据的实际问题。我们通过模拟研究表明,该模型只能恢复真实的影响,提供的数据满足艰苦的要求,必须谨慎执行时,主要分层作为一种技术,以控制治疗后的混杂因素,如制度化。
2008-11-12 stat.AP
Individualized Treatment Effects in Advanced Prostate Cancer: A Causal-Survival Modeling Approach to Risk-Guided Therapy
本文基于475例晚期前列腺癌随机试验数据,采用带交互项的Weibull AFT模型估计个体化治疗效应,揭示高剂量DES的疗效随年龄和肿瘤大小显著变化,并验证了估计的可靠性。
2025-08-23 stat.AP
Efficient Integration of Aggregate Data and Individual Patient Data in One-Way Mixed Models
通常,特定治疗的汇总数据(AD)研究和个体患者数据(IPD)研究都可用。结合这两种数据来源可以改善处理效应的总体荟萃分析估计。此外,通常对于AD的一些研究,相关的IPD可能是可用的,尽管分析师需要付出一些额外的努力或成本。我们提出了一种方法,当响应来自指数分布族时,可以使用广义线性模型结构来组合试验间的处理效应。我们考虑处理效应固定且在研究中常见的情况。使用所提出的组合方法,我们评估的智慧选择AD时,IPD是通过研究分析所有IPD的研究与结合AD和IPD研究的各种百分比的相对效率。对于许多不同的模型设计约束下的AD估计是IPD估计,因此完全有效,是已知的。对于这样的模型,我们主张一个选择程序,选择AD的IPD研究的方式,迫使最少偏离设计约束,从而确保一个完全有效的AD和IPD估计相结合的研究。
2021-11-12 stat.ME
Estimating subgroup effects in generalizability and transportability analyses
从随机试验到目标人群的扩展-推广或运输-推论的方法涉及调节一组大的协变量,足以使随机化和非随机化组互换。然而,决策者往往有兴趣在仅根据少数离散协变量定义的目标人群亚组中检查处理效应。在这里,我们提出了估计亚组特定的潜在结果的手段和平均处理效应的一般性和可移植性分析的方法,使用结果模型为基础的(g公式),加权和增强加权估计。我们考虑在目标人群及其非随机化亚组中估计亚组特异性平均处理效应,并提供适用于嵌套和非嵌套试验设计的方法。作为一个例子,我们应用的方法,从冠状动脉手术研究的数据,比较手术加药物治疗与药物治疗单独治疗慢性冠状动脉疾病的心肌梗死史定义的亚组的影响。
2021-09-28 stat.ME
A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases
处理效应异质性的预测方法声明重点关注基线风险作为处理效应的稳健预测因子,并为RCT背景下基于风险的处理效应异质性评估提供指导。本研究的目的是使用标准化的可扩展框架将这种方法扩展到观察环境。该框架包括五个步骤:1)确定研究目标,即,人群、治疗、对照药物和关注的结局; 2)相关数据库的识别; 3)关注结局的预测模型的开发; 4)校正观察到的混杂因素后,在预测风险分层内估计相对和绝对处理效应; 5)结果的展示。我们通过评估血管紧张素转换酶(ACE)抑制剂与β受体阻滞剂对三个观察性数据库中三个疗效和六个安全性结局的影响的异质性来证明我们的框架。拟议的框架可以补充任何比较效力研究。我们提供了一个公开可用的R软件包,用于将此框架应用于映射到观察性医学成果伙伴关系公共数据模型的任何数据库。在我们的研究中,急性心肌梗死低风险患者在所有三种疗效结局方面的绝对获益可忽略不计,尽管在最高风险季度更为明显,尤其是在心力衰竭住院治疗方面。然而,失败的诊断显示残余不平衡的证据,即使在调整观察到的混杂。我们的框架允许评价不同风险分层的不同处理效应,这为考虑替代治疗之间的获益-损害权衡提供了机会。
2022-07-01 stat.ME stat.ML
Jointly modeling multiple endpoints for efficient treatment effect estimation in randomized controlled trials
University of Minnesota(明尼苏达大学)
本文提出了一种基于主要和次要终点联合模型的治疗效应估计器,通过信息整合提高效率并增强鲁棒性,应用于低尼古丁香烟对吸烟者戒烟比例的影响研究。
2025-06-03 stat.ME
Extending inferences from a randomized trial to a new target population
当治疗效应修饰因子影响参与随机试验的决定时,随机化个体代表的人群中的平均处理效应将不同于其他人群中的效应。在本教程中,我们考虑将关于时间固定治疗的因果推断从试验扩展到新的非参与者目标人群的方法,使用来自已完成的随机试验的数据和来自目标人群样本的基线协变量数据。我们研究的方法的基础上建模的期望的结果,参与的概率,或两者兼而有之(双重鲁棒)。我们比较的方法在模拟研究中,并显示它们如何可以在软件中实现。我们将这些方法应用于一项随机试验,该试验嵌套在一组符合试验条件的患者中,以比较慢性冠状动脉疾病患者的冠状动脉手术加药物治疗与单纯药物治疗。最后,我们讨论了在应用分析中使用这些方法时出现的问题。
2019-10-28 stat.ME
Marginal Interventional Effects
Harvard University(哈佛大学)
本文提出边缘干预效应(MIE)作为处理干预的每 capita 效应,用于政策分析,无需潜在指数模型,可基于无混淆性或工具变量识别。
2025-12-10 stat.ME
Two-Stage Residual Inclusion under the Additive Hazards Model - An Instrumental Variable Approach with Application to SEER-Medicare Linked Data
工具变量是解决观察性研究中不可测混杂的重要工具。两阶段预测变量替换(2SPS)估计和两阶段残差包含(2SRI)估计是应用工具变量的两种常用方法。最近,在存在至事件发生时间数据的竞争风险的情况下,在加性风险模型下研究了2SPS,其中假定治疗与工具变量之间的关系为线性。当我们有二元处理时,这个假设可能不是最合适的。在本文中,我们考虑了一般生存数据的加性风险模型下的2SRI估计和竞争风险的存在下,它允许广义线性模型的治疗和工具变量之间的关系。我们推导出的渐近性质,包括封闭形式的渐近方差估计的2SRI估计。我们在有限样本中进行数值研究,并将我们的方法应用于相关的监测,流行病学和最终结果(SEER)-医疗保险数据库,比较早期前列腺癌患者的根治性前列腺切除术与保守治疗。
2018-07-19 math.ST stat.AP stat.TH
Fusing Trial Data for Treatment Comparisons: Single versus Multi-Span Bridging
针对不同试验中治疗方案难以直接比较的问题,本文提出单跨度与多跨度两种桥接估计量,结合数据融合校正人群差异,经模拟和艾滋病临床试验数据验证,单跨度方法假设更少、效率更高。
2023-05-01 stat.AP stat.ME
Conditioning on the pre-test versus gain score modeling: revisiting the controversy in a multilevel setting
我们考虑估计治疗对治疗分配前后受试者进展的影响。大量的文献比较了竞争的方法建模后测试分数有条件的前测试分数与建模的差异,即增益分数。我们的贡献在于分析的优点和缺点,这两种方法在一个多层次的设置。这在许多领域都是相关的,例如学生在学校的教育。多层次的结构提出了特殊的问题,有关的背景效应和个人层面和集群层面的治疗之间的区别。我们推导出近似的解析结果,并通过仿真研究比较了这两种方法。对于个人层面的治疗,我们的研究结果与文献一致,而对于集群层面的治疗,我们指出的关键作用的集群平均值的预测试分数,这有利于条件反射的方法在设置与大集群。
2021-01-04 stat.ME
Optimizing Clinical Trial Protocols Using EHR-Derived Heterogeneous Treatment Effects
Mayo Clinic(梅奥诊所);Virginia Commonwealth University(弗吉尼亚联邦大学);Mayo Clinic School of Graduate Medical Education(梅奥诊所研究生医学教育学院)
研究利用电子健康记录模拟临床试验,通过HTE引导的分层识别射血分数降低心力衰竭患者亚组。核心方法是用Cox模型评估死亡率、Meta - S学习者估计HTEs等。主要贡献是揭示了全队列模拟中被掩盖的有益和有害治疗效果模式。
2026-07-21 cs.AI cs.LG stat.AP
Causal Inference with Unstructured Treatments
University of Michigan(密歇根大学)
本文针对非结构化处理的因果推断问题,提出最大影响特征(MIF)的因果查询,开发估计算法与微调算法,在多类应用中验证其有效性。
2026-08-04 cs.LG stat.ML
Surv-IPTB: An Attention-Based Model for Estimating Individual Probability of Treatment Benefit with Survival Data
Higher School of Artificial Intelligence Technologies(人工智能技术高等学院);Peter the Great St.Petersburg Polytechnic University(彼得大帝圣彼得堡理工大学)
本研究提出基于注意力的 Surv-IPTB 模型,将生存数据的 IPTB 估计转化为二分类问题,通过成对患者比较处理右删失数据,在合成非线性数据集上优于 T-learner、S-learner 等基线模型,可用于个性化治疗获益评估。
2026-08-07 cs.LG stat.ML
Bridged treatment comparisons: an illustrative application in HIV treatment
该研究提出一种跨研究治疗比较的融合方法,借助共享试验组和逆概率加权估计,结合两项ACTG试验数据实现HIV三联与单药治疗的风险比较,并给出融合诊断方法以验证假设有效性。
2023-08-22 stat.ME
Interpreting Net Survival: What We Estimate Versus What We Think We Estimate
London School of Hygiene & Tropical Medicine(伦敦卫生与热带医学院)
净生存应解释为移除了普通人口其他原因死亡的生存,而非因果反事实,因治疗引起的其他原因死亡无法通过分层消除。
2026-03-01 stat.AP stat.ME stat.OT
Multiply robust estimation for causal survival analysis with treatment noncompliance
本文针对ADAPTABLE试验中的治疗不依从问题,提出多重稳健估计量估计主生存因果效应,揭示高剂量与低剂量阿司匹林分配在不同依从人群中的效应异质性,并进行了敏感性分析。
2025-08-15 stat.AP stat.ME
Selecting optimal subgroups for treatment using many covariates
我们考虑的问题,选择最佳的亚组治疗时,协变量的数据可从随机试验或观察性研究。我们区分了四种不同的设置,包括(i)资源受限时的治疗选择,(ii)资源不受限时的治疗选择,(iii)存在副作用和成本的治疗选择,以及(iv)最大化效果异质性的治疗选择。我们发现,在每一种情况下,最佳的治疗选择规则涉及治疗那些预测的平均差异的结果比较与不治疗,条件协变量,超过一定的阈值。阈值在这四种情况下各不相同,但最佳治疗选择规则的形式则不同。结果表明,个性化医疗远离传统的亚组分析。提出了新的随机试验设计,以便在卫生保健实践中实施和利用最佳治疗选择规则。
2018-02-26 stat.ME
Comparison of Parametric versus Machine-learning Multiple Imputation in Clinical Trials with Missing Continuous Outcomes
MRC-Biostatistics Unit, University of Cambridge(剑桥大学医学研究理事会生物统计单元);Department of Medical Statistics, London School of Hygiene and Tropical Medicine(伦敦卫生与热带医学院医学统计学系);Institute of Psychiatry, King’s College London(伦敦国王学院精神病学研究所)
本文通过两项RCT模拟比较完整病例、参数化MI与多种机器学习MI,发现ML仅在特定非线性场景降低误差,复杂交互下需按治疗组分别插补。
2025-10-03 stat.ME stat.OT
A Causal Machine Learning Framework for Treatment Personalization in Clinical Trials: Application to Ulcerative Colitis
University of Michigan(密歇根大学)
本文提出一个因果机器学习框架,用于评估临床试验中治疗个性化的效果,发现内镜特征虽与治疗效应异质性相关,但未改善患者结果。
2026-02-09 cs.LG stat.AP stat.ME
Estimation of treatment effects in presence of differential use of post-randomization concomitant medication with time-to-event outcomes
University of Copenhagen(哥本哈根大学);The University of Hong Kong(香港大学);Novo Nordisk A/S(诺和诺德公司);University of California(加利福尼亚大学)
本文提出在心血管结局试验中,针对2型糖尿病患者,考虑随机化后伴随药物使用对治疗效果估计的影响,采用因果框架中的估计量来隔离研究治疗的具体影响,通过TMLE方法进行灵活调整。
2026-05-07 stat.ME
Decision curve analysis for personalized treatment choice between multiple options
决策曲线分析可用于确定治疗益处的个性化模型是否会导致更好的临床决策。决策曲线分析方法已被描述为使用来自单个RCT的数据来估计治疗获益。我们的主要目标是将决策曲线分析方法扩展到存在多种治疗方案的情况,并且有关其效果的证据来自一组试验,使用网络荟萃分析(NMA)进行合成。我们描述了使用NMA中合成的研究证据来估计预测模型的净效益所需的步骤。我们展示了如何比较个性化与一刀切的治疗决策策略,如“不治疗”或“用特定治疗方法治疗所有患者”策略。然后,可以针对阈值概率的合理范围绘制每种策略的净效益,以揭示临床上最有用的策略。我们将我们的方法应用于复发缓解型多发性硬化症的NMA预测模型,该模型可用于在那他珠单抗、富马酸二甲酯、醋酸格拉替雷和安慰剂之间进行选择。我们说明了扩展决策曲线分析方法,使用几个阈值组合,为每一个可用的治疗。对于检查的阈值,“根据预测模型治疗患者”策略的表现优于或接近于一刀切的治疗策略。然而,即使是微小的差异也可能在临床决策中发挥重要作用。由于个性化模型的优势在所有阈值上并不一致,在倡导其对决策的适用性之前,可能需要改进模型。决策曲线分析的这种新扩展可以应用于基于NMA的预测模型,以评估其用于辅助治疗决策。
2023-02-28 stat.ME
A Bayesian adaptive enrichment design using aggregate historical data to inform individualized treatment recommendations
Montreal Heart Institute(蒙特利尔心脏研究所);Université de Montréal(蒙特利尔大学);McGill University(麦吉尔大学)
提出一种贝叶斯自适应富集设计,利用基于归一化幂先验的聚合历史数据(如平均治疗效果)来借用外部信息,通过后验概率指导早期停止或招募,以提高统计功效并减少期望样本量。
2026-06-01 stat.ME