Adaptive clinical trial designs with blinded selection of binary composite endpoints and sample size reassessment
对于单一、主要、二元终点需要不可行的大样本量的随机临床试验，广泛选择复合终点作为主要终点。尽管被广泛使用，复合终点在设计和解释结果方面带来了挑战。考虑到这些成分可能具有不同的相关性，并具有不同的效应量，因此必须仔细选择成分。特别是，复合二元终点的样本量计算不仅取决于复合组分的预期效应量和事件概率，还取决于它们之间的相关性。然而，文献中通常没有报告终点之间相关性的信息，这可能是规划未来合理试验设计的障碍。我们考虑两组随机对照试验，其主要复合二元终点和仅由复合终点中临床上更重要的组分组成的终点。我们提出了一种试验设计，允许根据中期分析中获得的盲态信息对主要终点进行适应性修改。我们考虑一个决策规则来选择一个复合终点和其最相关的组成部分作为主要终点。决策规则选择具有较低估计所需样本量的终点。此外，使用估计的事件概率和相关性以及复合组分的预期效应量重新评估样本量。我们通过模拟研究了所提出的设计下的统计功效和显著性水平。我们表明，自适应设计是同样或更强大的设计，没有自适应修改的主要终点。即使在保持类型1错误的情况下错误指定相关性，也可实现目标功率。我们通过两个案例研究来说明这一建议。
2022-06-20 stat.AP stat.ME
Clarifying Selection Bias in Cluster Randomized Trials: Estimands and Estimation
在整群随机试验中，患者通常在整群随机化后招募，招募人员和患者可能对分配不知情。这通常会导致招募差异，从而导致干预组和对照组之间招募患者的基线特征存在系统性差异，从而诱导随机化后选择偏倚。我们严格定义的因果被估量存在选择偏差。我们阐明的条件下，标准的协变量调整方法可以有效地估计这些被估量。我们进一步讨论了在不满足这些条件时估计因果效应所需的额外数据和假设。采用因果推断中的主分层框架，阐明了整群随机试验中存在两个平均处理效应（ATE）估计量：一个用于总体人群，一个用于招募人群。我们推导出分析公式的两个被估量的主要阶层的具体因果关系的影响。使用模拟研究，我们评估的经验性能的多元回归调整方法在不同的数据生成过程中，导致选择偏差。当各主要分层的处理效应不均匀时，总体人群的ATE通常与招募人群的ATE不同。招募样本的意向治疗分析导致两种ATE的估计值存在偏倚。在存在随机化后选择且没有关于未招募受试者的额外数据的情况下，仅当主要分层之间的处理效应均匀时，招募人群的ATE才可估计，而总体人群的ATE通常不可估计。协变量调整可以消除选择偏倚的程度取决于主要分层之间的效应异质性程度。
2021-10-04 stat.AP stat.ME
Blinded and unblinded sample size re-estimation in crossover trials balanced for period
交叉试验所需样本量的确定通常取决于一个或多个方差分量的规格。在设计阶段，这些参数值的不确定性意味着试验通常存在效力不足或过度的风险。对于许多研究设计，这个问题已经通过考虑适应性设计方法来解决，该方法允许在试验期间重新估计所需的样本量。在这里，我们提出并比较了几种方法，这在多治疗交叉试验。具体而言，监管机构支持重新估计程序，以保持治疗分配的盲态。因此，我们开发了盲估计的人内和人之间的方差，简单或区组随机化。我们证明，提供了相同数量的患者被分配到均衡的序列期间，提出的估计块随机化后是无偏的。我们进一步提供了一个公式的偏差估计简单随机化。这些程序的性能，以及一个揭盲的方法，然后检查利用三个激励的例子，包括一个基于最近完成的四个治疗四期交叉试验。仿真结果表明，所提出的盲方法的性能在许多情况下类似于非盲方法，因此它们是一种有吸引力的替代方案。
2018-03-27 stat.ME
Outcome-blinded sample size re-estimation for externally controlled single-arm trials using baseline covariates
Wakayama Medical University（和歌山医科大学）；Chuo University（中央大学）
针对单臂试验中试验组与历史对照基线不平衡问题，提出群体标准化设计框架及协变量自适应样本量重新估计程序，该程序结合初始设计与顺序更新，模拟及示例结果显示其能维持功效，是实用设计策略。
2026-09-30 stat.AP stat.ME
Blinded and unblinded sample size re-estimation procedures for stepped-wedge cluster randomized trials
准确估计阶梯楔形（SW）整群随机试验（CRT）所需的样本量的能力通常取决于几个干扰参数的规格。如果这些参数被错误指定，试验可能会过度，导致成本增加，或动力不足，增加假阴性的可能性。我们在这里解决这个问题的横截面SW-CRT，分析了一个特定的线性混合模型，提出方法盲态和非盲态样本量重新估计（SSRE）。使用Hussey和Hughes模型分析的SW-CRT的方差参数的盲估计。然后，详细说明了SW-CRT中任何时间段后设盲和揭盲SSRE的程序。这些程序的性能，然后检查和对比使用两个示例试验设计方案。我们发现，如果两个关键的方差参数低于指定的50%，SSRE程序能够增加功率超过传统的SW-CRT设计高达29%，从而在经验功率高于所需的水平。此外，重新估算程序的执行情况对临时评估的时间安排相对不敏感。因此，所考虑的SSRE程序可以带来实质性的增益功率时，潜在的方差参数被错误指定。虽然有一些实际问题需要考虑，但该程序的性能意味着研究人员应该考虑将SSRE纳入未来的SW-CRT。
2017-10-07 stat.ME
Accounting for interactions and complex inter-subject dependency in estimating treatment effect in cluster randomized trials with missing outcomes
半参数方法常用于整群随机试验（CRT）中相关结局的干预效果估计。当结局为随机随机缺失（MAR）时，可使用包含基线协变量的逆概率加权（IPW）方法来处理信息缺失。此外，增广广义估计方程（AUG）校正基线协变量的不平衡，但需要扩展MAR结局。然而，在治疗和基线协变量之间存在相互作用的情况下，如果未正确指定相互作用模型，则两种方法均无法单独产生边际处理效应的相合估计。我们提出了一个AUG-IPW估计器，它的权重是一个完整的情况下的概率的倒数，并允许在每个干预臂不同的结果模型。这个估计器是双重鲁棒（DR），它给出正确的估计是否缺失数据过程或结果模型是正确指定的。我们考虑协变量干扰的问题时出现的结果，一个人可能取决于协变量的其他个人。当干扰协变量未建模时，只要协变量干扰不同时存在于结果和缺失中，DR属性就可以防止偏倚。开发了一个R软件包来实现所提出的方法。一个广泛的模拟研究和应用CRT的艾滋病毒风险降低，在南非的干预说明了方法。
2016-01-26 stat.ME
Generalizing Randomized Trial Findings to a Target Population using Complex Survey Population Data
随机试验被认为是估计因果效应的金标准。试验结果通常用于为政策和规划工作提供信息，但由于试验和人群之间的效应调节因子存在潜在差异，因此其结果可能无法很好地推广到相关目标人群。统计学方法已经被开发出来，通过结合试验和人口数据，并对试验进行加权，使其与基线协变量的人口相似，从而提高概括性。在卫生和教育等领域进行的具有复杂调查设计的大规模调查是人口数据的合理来源;然而，目前还没有将试验结果概括为复杂调查时纳入调查权重的最佳实践。我们建议和调查方法，将调查权重在这方面。我们通过比较我们提出的估计器的性能，忽略了复杂的调查design. Then，我们应用的方法来概括的结果从两个试验-生活方式干预降低血压和基于网络的干预治疗物质使用障碍-到他们各自的目标人群使用复杂的调查的人口数据的估计器的性能模拟。这项工作强调了在适当考虑复杂的调查设计时，将试验结果推广到由复杂的调查样本代表的人群的重要性。
2020-04-02 stat.AP stat.ME
Some t-tests for N-of-1 trials with serial correlation
N-of-1试验允许在给予单个个体的两种治疗之间进行推断。大多数情况下，临床研究者用常规的t检验或简单的非参数方法分析个体的N-of-1试验数据。这些简单的方法不能解释来自个体的重复观测中的序列相关性。现有的方法占串行相关性需要模拟，多个N-of-1试验，或两者兼而有之。在这里，我们开发了t检验，解释了单个个体的序列相关性。发展包括效应量和精度计算，这两者都是有用的研究规划。然后，我们通过蒙特卡罗模拟评估和比较他们的I型和II型误差和区间估计的那些通常的t-检验类似物。系列t检验明显优于通常用于报告1个结果中的N的t检验。来自纤维肌痛患者的N-of-1临床试验和行为健康环境的例子展示了如何解释序列相关性可以改变推论。这些t检验很容易实现，比常用的简单方法更合适;但是，在分析少数观察结果时需要谨慎。关键词：自相关;交叉研究;重复测量分析;单例试验设计;时间序列
2019-09-09 stat.ME
Semiparametric Inference of the Complier Average Causal Effect with Nonignorable Missing Outcomes
随机试验中经常出现不依从和缺失数据，使因果效应的推断复杂化。当不合规和缺失数据同时存在时，以往的文献提出了二进制和正态分布连续结果的矩和极大似然估计在潜在的可消除的缺失数据机制下.然而，在实践中可能违反潜在的可识别缺失数据机制，因为缺失数据机制可能直接取决于缺失结果本身。在不依从和结果依赖的不可解释的缺失数据机制下，以往的研究表明，对于离散的结果，依从者的平均因果效应是可识别的。本文研究了具有全或无不依从和结果依赖的不可重复缺失连续结果的随机临床试验中依从者平均因果效应的半参数可辨识性和估计，并提出了两步极大似然估计，以消除无穷维干扰参数。我们的方法不需要为缺失数据机制指定参数形式。我们还通过广泛的模拟研究和敏感性分析评估了我们的方法的有限样本属性，并将其应用于双盲精神病临床试验。
2014-09-02 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
Improving the efficiency of infectious disease prevention trials using negative control outcome event times
University of Washington（华盛顿大学）；Fred Hutchinson Cancer Center（弗雷德·哈钦森癌症中心）；Penn State University（宾夕法尼亚州立大学）；Gillings School of Global Public Health, University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校吉林斯全球公共卫生学院）
该研究针对传染病预防试验中常规协变量调整精度不足的问题，提出调整阴性对照结局事件时间的估计方法，经HVTN 704/HPTN 085试验验证，可显著提升预防效果估计的精度。
2026-08-07 stat.ME
Debiasing hazard-based, time-varying vaccine effects using vaccine-irrelevant infections: An observational extension of a pivotal Phase 3 COVID-19 vaccine efficacy trial
针对Cox回归估计时变疫苗效力易受隐藏偏差的问题，提出利用疫苗无关感染校正偏差的方法，经COVE试验数据验证可更准确评估mRNA-1273加强针对奥密克戎的持久效力。
2025-11-19 stat.AP stat.ME
Combining Survival Trials Using Aggregate Data Based on Misspecified Models
从多个临床试验中观察到的相同疗法的治疗效果往往非常不同。然而，在现实世界的实践中，可能无法识别导致这些差异的患者特征。在开发和验证新疗法的过程中，需要一种公正的方法来结合多项试验的结果，并报告一般人群的总体治疗效果。采用Cox比例风险模型定义的（log）风险比的最大偏似然估计值的非线性结构导致组合此类临床试验的统计分析面临挑战。在本文中，我们使用各种建模假设制定了预期的总体治疗效果。因此，我们提出了有效估计和一个版本的Wald测试的组合风险比，只使用汇总数据。在涉及错误指定模型的稳健数据分析框架中提供了方法的解释。
2015-03-19 math.ST stat.ME stat.TH
Accounting for overdispersion and clustering in binomial data from N-of-1 trials
针对单病例试验二项数据，提出两种汇总结果的分析策略，一种考虑超二项变异，另一种兼顾过度离散与分层聚类，经实际数据分析和模拟比较这两种方法。
2026-07-10 stat.AP stat.ME
Blinded sample size re-calculation in multiple composite population designs with normal data and baseline adjustments
对亚群分析的兴趣日益增加，导致在个性化医疗和靶向治疗领域开发了各种新的试验设计和分析方法。在本文中，子种群是根据不相交的种群子集的累积来定义的，因此被称为复合种群。考虑到正态分布终点和随机基线协变量，拟定的试验设计适用于任何复合人群集。通过合并在亚组水平上计算的$p$值，使用逆正态组合函数生成复合人群的检验统计量，检验复合人群的处理效应。通过应用封闭检验程序，在很强的意义上控制了同时检验的系列第一类错误率。交叉假设检验的临界值是使用多元正态分布导出的，反映了在原假设下复合总体检验统计量的联合分布。对于样本量的计算和样本量的重新计算，多元正态分布推导出来，它描述了一个假设的备择假设下的复合总体检验统计量的联合分布。模拟证明了在固定设计和重新计算设盲样本量的重新计算设计中，对总体第一类错误率的强控制。重新计算样本量后的目标把握度通常达到或接近达到。
2020-11-30 stat.ME
Robust Covariate Adjustment in Multi-Center Randomized Trials
Ghent University（根特大学）；Debre Markos University（德布雷马尔科斯大学）；Vrije Universiteit Brussel（布鲁塞尔自由大学）
本文提出了一种针对多中心随机试验中协变量不平衡问题的稳健估计方法，通过引入中心效应提升效率并保持无偏性，改进了反事实均值和治疗效应的估计。
2026-08-17 stat.ME
How to achieve model-robust inference in stepped wedge trials with model-based methods?
本研究针对阶梯楔形试验中基于模型的分析方法在模型误设下的性质未被系统探究的问题，证明了边际治疗效应估计一致性的条件，提出结合三明治方差估计与g-computation实现模型稳健推断，并通过模拟和实例验证了结论。
2024-09-12 stat.ME
Blinded sample size review for McNemar's test based on primary and surrogate endpoints
Institute of Medical Biostatistics, Epidemiology and Informatics (IMBEI), University Medical Center Mainz（美因茨大学医学中心医学生物统计学、流行病学和信息中心）；University of Bremen, Competence Center for Clinical Trials Bremen（不来梅大学不来梅临床试验能力中心）；Department of Ophthalmology, University Medical Center of the Johannes Gutenberg-University Mainz（约翰内斯·古腾堡美因茨大学医学中心眼科）
针对儿童青光眼前瞻性随机临床试验的需求，开发了基于配对二元主要与短期替代终点的McNemar检验盲法样本量重新估计策略，该方法可保持I类错误率并达到目标功效，还能处理中期仅获部分患者替代终点的情况。
2026-08-19 stat.ME
Estimating Marginal Treatment Effect in Cluster Randomized Trials with Multi-level Missing Outcomes
本文针对整群随机试验中多水平信息性缺失结局问题，提出基于加权广义估计方程的多水平多重稳健估计量，用于估计边际治疗效应，并通过模拟和疟疾干预试验验证其有效性。
2023-04-12 stat.ME
Re-evaluating the impact of hormone replacement therapy on heart disease using match-adaptive randomization inference
针对观察性研究中匹配对随治疗分配变化导致的$Z$-依赖性问题，提出匹配自适应随机化推断算法，校正HRT与冠心病研究的反保守结论并验证年龄异质性效应。
2024-03-02 stat.AP stat.ME
Study Duration Prediction for Clinical Trials with Time-to-Event Endpoints Using Mixture Distributions Accounting for Heterogeneous Population
针对生物标志物指导的临床试验持续时间预测问题，提出考虑异质人群的混合分布通用框架，通过模拟和公开试验重新评估验证了预测准确性，并开发了R包detest。
2023-12-31 stat.AP stat.ME
Designing Experiments Toward Shrinkage Estimation
我们考虑如何利用越来越多的观察数据来改进随机对照试验（RCT）的设计。我们试图设计一个前瞻性随机对照试验，目的是使用经验贝叶斯估计量来缩小我们试验的因果估计量，使其接近从观察性研究中获得的因果估计量。我们问：我们如何设计实验以更好地补充这种环境下的观察性研究？我们建议使用一个估计，缩小RCT因果估计的每个组成部分向其观测对应的一个因素成比例的方差。首先，我们证明了这个估计的风险可以通过数值积分有效地计算。然后，我们提出了算法，以确定最佳分配的单位层（最好的“设计”）。我们考虑三种选择：奈曼分配;一种是“朴素”设计，假设观察性研究中没有未测量的混杂因素;另一种是“防御性”设计，解释了我们从观察性研究中获得的不完美的参数估计值，以及未测量的混杂因素。我们也结合敏感性分析的结果，以建立护栏的设计，使我们的实验可以合理地分析有和没有收缩。我们证明了这些试验设计的优越性与一个罕见的，二元结果的模拟研究，涉及因果推断。
2022-04-14 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
Sample size calculation and blinded recalculation for analysis of covariance models with multiple random covariates
当在具有连续结局的平行组设置中检验优效性时，调整协变量（例如，基线测量），以减少偏差和增加功率。为此，协方差分析（ANCOVA）经常使用，最近，已经提出了几种精确和近似的样本量计算程序。然而，在多个协变量的情况下，规划可能会带来一些实际的挑战和令人惊讶的陷阱，这些到目前为止还没有被认识到。此外，由于必须事先指定大量参数，因此增加了作出错误初始假设的风险，从而导致研究的功效大大过高或不足。因此，我们提出了一种方法，该方法允许在试验过程中的预定时间点重新估计样本量。广泛的设置，包括不平衡的设计，广泛的模拟，证实所提出的方法提供了可靠的结果，在许多实际相关的情况。重新评估程序的优点是不需要揭盲数据。为了便于该方法的应用，我们提供了一些R代码，并讨论了一个现实生活中的数据的例子。
2018-06-10 stat.ME
Dose optimization design accounting for unknown patient heterogeneity in cancer clinical trials
针对癌症临床试验中未知的患者异质性，提出两阶段剂量优化设计，整合药代动力学数据并采用贝叶斯稀疏组选择识别亚群，为各亚群推荐最优剂量。
2025-04-20 stat.AP stat.ME
Adaptive Sampling of Costly Outcomes in Randomized Clinical Trials
University of Louisville（路易斯维尔大学）；University of Louisville School of Medicine（路易斯维尔大学医学院）；Takeda Pharmaceuticals（武田制药）；Bristol Myers Squibb（百时美施贵宝）
针对随机试验中昂贵结局，提出盲态自适应抽样设计，用增强逆概率加权估计，模拟显示比简单随机抽样效率高12%-34%，方差降低39%。
2026-09-30 stat.ME
Advanced models for predicting event occurrence in event-driven clinical trials accounting for patient dropout, cure and ongoing recruitment
我们考虑事件驱动的临床试验，一旦达到预定数量的临床事件，就进行分析。例如，这些事件可能是肿瘤学进展或心血管试验中的卒中。在中期阶段，主要任务之一是预测一段时间内的事件数量和达到特定里程碑的时间，我们需要考虑不仅可能发生在已招募和随访患者中的事件，还可能发生在尚未招募的患者中的事件。因此，在此类试验中，我们需要同时对患者招募和事件计数进行建模。在本文中，我们开发了一种新的分析方法，该方法考虑了患者被治愈的机会，以及他们辍学和失访的机会。招聘建模使用泊松-伽马模型在以前的出版物。当考虑事件的发生时，我们假设到主要事件的时间和到退出的时间是独立的随机变量，并且我们已经开发了一些使用指数分布、威布尔分布和对数正态分布的具有治愈的高级模型。这种技术得到了良好开发、测试和记录的软件的支持。使用模拟和参考开发的软件的真实数据集的结果进行了说明。
2021-08-20 stat.AP stat.CO stat.ME
Dynamically borrowing strength from another study through shrinkage estimation
元分析方法可用于合并来自不同信息来源的证据。通常，正态-正态分层模型（NNHM）包括随机效应以解释研究间异质性，用于此类分析。同样的建模框架不仅可以用于导出组合估计，还可以用于通过导出收缩估计来从另一个研究中借用特定研究的强度。例如，一项小规模的随机对照试验可以得到一项非随机研究的支持，例如临床登记研究。这在罕见疾病的背景下特别有吸引力。我们证明，荟萃分析仍然是有意义的，在这个极端的两个研究设置，如使用最近的试验和临床登记的克雅氏病。在贝叶斯随机效应荟萃分析中推导收缩估计值可能会大大改善给定的估计值，即使仅基于单个额外的估计值，同时考虑到研究之间的潜在效应异质性。或者，可以通过模型规范等效地进行推断，该模型规范不需要共同的总体平均参数，但考虑了一项研究中的处理效应以及研究之间的效果差异。所提出的方法是相当普遍适用于结合不同类型的证据，例如来自荟萃分析或个别研究。这种更普遍的设置的应用提供了在儿童肝移植后的免疫抑制。
2018-12-04 stat.ME
Utility-Based Dose Optimization Approaches for Multiple-Dose Randomized Trial Designs Accounting for Multiple Endpoints
针对多终点多剂量随机试验，提出U-MET-m和CUI-MET两种基于效用的剂量优化方法，通过贝叶斯推断比较效用指标以识别最佳生物学剂量，模拟显示其操作特性良好。
2025-02-26 stat.ME
Accounting for Heavy Censoring in Evaluating the Risk Stratification Abilities of Existing Models for Time to Diagnosis of Huntington Disease
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）；Wake Forest University（维克森林大学）
本文探讨了现有模型在亨廷顿病诊断时间预测中的性能，通过外部验证和适当的删失指标比较，发现MRS模型在考虑更多协变量后表现最佳，但PIN模型在更少变量下同样有效。
2026-03-14 stat.AP stat.ME
Two-stage Adaptive Design Cluster Randomised Trials
University of Birmingham（伯明翰大学）
本文提出了一种两阶段自适应设计方法，用于集群随机对照试验，通过中期分析实现样本量的动态调整和试验重新设计，以提高效率和减少成本。
2026-08-31 stat.AP stat.ME
Survival Analysis Using a 5-Step Stratified Testing and Amalgamation Routine in Randomized Clinical Trials
随机临床试验通常被设计来评估测试治疗相对于对照治疗是否延长生存期。患者异质性增加虽然有利于结果的普遍性，但可能会削弱常用统计方法检测治疗差异的能力，从而可能阻碍安全有效治疗的监管批准。针对这一问题提出了一种新的解决方案。在分析计划中预先规定了在任一治疗下可能预后生存的基线协变量列表。在分析阶段，使用所有观察到的生存时间，但对患者水平的治疗分配不知情，用弹性网Cox回归去除“噪声”协变量。条件推理树算法使用缩短的协变量列表将异质性试验人群分割为统计学上同质的患者亚群（风险分层）。患者水平治疗揭盲后，在每个形成的风险分层内进行治疗比较，并将分层水平结果合并用于总体统计推断。我们提出的5步分层测试和合并程序（5-STAR）的令人印象深刻的功率提升性能，相对于对数秩检验和其他不利用固有结构化患者异质性的常见方法，使用假设和两个真实数据集以及模拟结果进行说明。此外，强调了报告分层水平比较处理效应（加速失效时间模型拟合的时间比与模型平均值，以及根据需要，Cox比例风险模型拟合的风险比）的重要性，认为这是个性化用药的潜在推动因素。fiveSTAR R软件包可在https://github.com/rmarceauwest/fiveSTAR上获得。
2020-04-28 stat.AP stat.ME stat.ML
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
Bias correction in treatment effect estimates following data-driven biomarker cutoff selection
本研究针对数据驱动生物标志物截断值选择导致的治疗效果估计偏差，通过广泛模拟评估了 Bootstrap Bias Correction 和 ABC 方法的校正性能，并提出了临床应用建议。
2025-04-28 stat.AP
Bayesian Geostatistical Modeling for Cluster Randomized Trials
UTHealth Houston School of Public Health（休斯顿大学健康科学中心公共卫生学院）
研究整群随机试验，提出贝叶斯地理统计框架，该框架能对地理集群内个体建模并考虑空间依赖性，可提高估计稳定性、控制I型错误、增强统计功效，证明了CRTs中采用空间方法的价值和必要性。
2026-07-28 stat.AP stat.ME
On sample size determination for restricted mean survival time-based tests in randomized clinical trials
在随机临床试验中，限制平均生存时间（RMST）作为量化处理效应对生存结局的影响的一种指标正受到关注。提出了几种基于RRST检验确定样本量的方法。然而，据我们所知，没有关于基于RRST的检验的增强版本的把握度和样本量的讨论，该检验利用基线协变量获得估计效率和检验无处理效应的把握度。基于对数秩检验的传统事件驱动研究设计允许我们计算给定风险比的功效，而无需指定生存函数。与此相反，现有的样本量确定方法的RRST为基础的测试依赖于两组的整个生存曲线的假设的充分性。此外，为了处理增广检验，必须处理基线协变量与鞅残差之间的相关性。为了解决这些问题，我们提出了一个近似的样本量公式，用于基于RRST的检验的增强版本，它不需要指定治疗组中的整个生存曲线，以及一种样本量重新计算方法，用于更新基线协变量与设盲数据的鞅残差之间的相关性。即使在设计阶段无法指定正确的生存函数，所提出的程序也将使研究具有给定RMST差异的目标功效。
2022-12-16 stat.ME
A Bayesian Framework for Latent Compliance Modeling in Cluster Randomized Trials with One-Sided Noncompliance
Brown University（布朗大学）
本文提出了一种贝叶斯框架，用于分析具有单侧二元非合规性的集群随机对照试验，考虑集群层面的部分合规性和个体层面的合规性差异，以估计有限和超总体的意图治疗和CACE效应估计量。
2026-04-28 stat.AP stat.ME
Incorporating external data for analyzing randomized clinical trials: A transfer learning approach
本文提出面向随机临床试验的迁移学习框架，通过基于参数的信息迁移增强 lasso 调整的层特异治疗效果估计量，并给出渐近理论与方差推断方法。
2024-09-06 stat.ME
Bayesian Sequentially Monitored Multi-arm Experiments with Multiple Comparison Adjustments
随机实验在许多不同领域和学科的数据驱动决策中发挥着重要作用。例如，在医学领域，随机对照试验（RCT）是检验新药和疗法与现有疗法或安慰剂相比的疗效的临床试验方法的支柱。在商业和市场营销中，当实验中只有两个组或变量时，随机实验通常被称为A/B测试，当有两个以上组时，称为多变量A/B测试。A/B测试的典型应用包括比较不同广告活动的有效性，评估人们对不同网站布局的反应，或比较不同的客户群。本文从数字营销的角度关注多变量A/B测试，并提出了一种方法，用于对此类实验进行顺序监控，同时考虑多重比较问题。在适应和结合的方法，两个以前的作品，本文提出的方法是直接使用标准的统计软件实现，并在各种模拟研究中表现得很好，表现出更好的权力和更小的平均样本量比可比的方法。
2016-08-29 stat.AP stat.ME
Maintaining the validity of inference from linear mixed models in stepped-wedge cluster randomized trials under misspecified random-effects structures
针对阶梯楔形整群随机试验中随机效应结构误设可能导致推断失效的问题，本文回顾五种稳健方差估计量并通过模拟研究发现，CR3估计量结合整群数减二的自由度校正表现最优，为实践中该类试验的线性混合模型分析提供参考。
2024-08-20 stat.AP stat.ME
Bayesian inference for cluster-randomized trials with multivariate outcomes subject to both truncation by death and missingness
本文提出一个贝叶斯框架，通过多变量结局联合建模，在整群随机试验中同时处理死亡截断、异质性失访和未知生存状态等复杂缺失问题，并区分个体与整群水平的幸存者平均因果效应。
2025-05-05 stat.ME
G-computation for increasing performances of clinical trials with individual randomization and binary response
CIC INSERM 1402（INSERM CIC 1402）；University and University hospital of Poitiers（普瓦捷大学与医院）；HeKA, Inria（Inria HeKA）
针对随机临床试验中残余差异带来的近混杂问题，本研究提出结合机器学习的G-computation方法，经模拟验证，惩罚回归类G-computation可在偏差小幅上升的前提下降低方差、减少17%-54%样本量，有效提升RCT检验效能。
2024-11-15 stat.ME stat.ML
Assessing the Impact of Intercurrent Events on Power and Sample Size for Estimands with Time-to-Event Endpoints
Quantitative Sciences Innovation, GSK（葛兰素史克定量科学创新中心）；Statistics & Programming, Veramed Ltd.（Veramed有限公司统计与编程部门）
本文提出一组公式，用于计算固定随访期临床试验中时间至事件终点估计目标的功效，考虑了治疗策略、假设、复合或组合策略处理并发事件，并通过鼻息肉病例研究验证了方法的实用性和准确性。
2026-10-05 stat.AP stat.ME
