Targeted maximum likelihood estimation of vaccine effectiveness and immune correlates in test-negative design studies with missing data
暴露数据缺失的检测阴性设计中疫苗有效性与免疫相关指标的目标最大似然估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以缺失暴露数据下的因果条件风险比识别和目标最大似然估计为核心。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
暴露数据缺失的检测阴性设计中疫苗有效性与免疫相关指标的目标最大似然估计
- 研究问题
- 在检测阴性设计中，接种状态或免疫指标因记录不全或两阶段抽样而缺失时，如何控制剩余混杂并估计就医人群的疾病因果风险比？
- 方法与思路
- 作者基于半参数逻辑回归提出目标最大似然估计，目标为症状性疾病的因果条件风险比，并在因果及随机缺失假设下分析其性质。
- 材料陈述的贡献
- 摘要称估计量具有有效性和渐近线性，可灵活控制混杂；作者通过两阶段设计的 plasmode 模拟及 Moderna 试验衍生队列展示应用。
- 阅读关注点
- 应核对因果风险比的目标人群、检测阴性抽样对应的识别关系、随机缺失假设，以及两阶段抽样和数据驱动混杂控制的具体实现。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或期刊接收未核实；摘要未完整列出因果假设及模拟结果，检测阴性设计本身不能保证消除全部混杂。
原文摘要
The test-negative design (TND) is a resource-efficient observational study design that can assess vaccine effectiveness and exposure-proximal immune correlates of disease. The TND enrolls symptomatic individuals seeking diagnostic testing and compares case status by an exposure variable, such as vaccination status or immune marker level, that is measured at testing. While the TND reduces confounding by healthcare-seeking behavior, other sources of confounding may remain. TND studies may also have missing data in the exposure variable due to incomplete records or two-phase sampling designs. We present a targeted maximum likelihood estimation approach involving a semiparametric logistic regression model that targets a causal conditional risk ratio of symptomatic disease in the healthcare-seeking population. Under causal and missing at random assumptions, our method produces an efficient, asymptotically linear estimator that provides flexible, data-driven confounding control and valid causal inference when analyzing TND studies with missing exposure variable data. We evaluate our method's finite sample properties using plasmode simulations of a two-phase TND immune correlates study. We also apply our method to assess COVID-19 vaccine effectiveness and antibody marker correlates of COVID-19 from TND study cohorts derived from the Moderna Coronavirus Efficacy phase 3 trial.