Collaborative Indirect Treatment Comparisons with Multiple Distributed Single-arm Trials
多个分布式单臂试验的协作间接治疗比较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：摘要明确以跨试验人群的两两平均治疗效应为目标，并研究双重稳健估计与推断。
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…
多个分布式单臂试验的协作间接治疗比较
- 研究问题
- 多个机构各自开展单臂试验且仅共享汇总数据时，如何在不同目标试验人群中公平估计治疗之间的平均效应？
- 方法与思路
- 作者提出分布式增广校准加权方法，通过两轮通信平衡协变量并结合灵活的辅助函数估计，完成多个人群的两两比较。
- 材料陈述的贡献
- 摘要称估计具有双重稳健一致性且与合并数据分析相同；参数化辅助模型下进一步提供双重稳健推断及偏差优化。
- 阅读关注点
- 核对跨试验治疗效应的识别条件、协变量重叠、汇总信息需求，以及与合并分析等价和双重稳健推断的适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出识别假设、通信内容及模拟性能的具体数值。
原文摘要
When randomized controlled trials are impractical or unethical to simultaneously compare multiple treatments, indirect treatment comparisons using single-arm trials offer valuable evidence for health technology assessments, especially for rare diseases and early-phase drug development. In practice, each sponsor conducts a single-arm trial on its own drug with restricted data-sharing and targets effects in its trial population, which can lead to unfair comparisons. This motivates methods for fair treatment comparisons across a range of target populations in distributed networks of single-arm trials sharing only aggregated data. Existing federated methods, which assume at least one site contains all treatments and allow pooling of treatment groups within the same site, cannot address this problem. We propose a novel distributed augmented calibration weighting (DAC) method to simultaneously estimate the pairwise average treatment effects (ATEs) across all trial population combinations in a distributed network of multiple single-arm trials. Using two communication rounds, DAC estimators balance covariates via calibration weighting, incorporate flexible nuisance parameter estimation, achieve doubly robust consistency, and yield results identical to pooled-data analysis. When nuisance parameters are estimated parametrically, DAC estimators are enhanced to achieve doubly robust inference with minimal squared first-order asymptotic bias. Simulations and a real-data application show good performance.