A joint longitudinal-survival framework for dynamic treatment regimen evaluation in sequential multiple assignment randomized trials
序贯多次随机分配试验中评估动态治疗方案的纵向—生存联合框架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：摘要利用序贯随机试验与参数化 g 公式估计动态治疗方案的因果生存结局。
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…
关注这篇论文的作者
序贯多次随机分配试验中评估动态治疗方案的纵向—生存联合框架
- 研究问题
- 在两阶段序贯多次随机分配试验中，如何利用纵向生物标志物信息估计动态治疗方案的生存结局并比较方案优劣？
- 方法与思路
- 作者联合线性混合标志物模型与相对风险生存模型，以分段累积暴露描述治疗，再用极大似然和参数化 g 公式估计。
- 材料陈述的贡献
- 摘要称，在模型正确设定的模拟中，联合模型估计无偏，较加权 Kaplan–Meier 方法更有效率，并改善最优治疗方案识别。
- 阅读关注点
- 应核对潜在标志物与生存过程的连接、决策点治疗参数化、g 公式的识别条件，以及最优方案比较中的多重性控制。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。效率和无偏性陈述依赖正确模型设定，摘要未说明错设表现或完整识别条件。
原文摘要
Sequential multiple assignment randomized trials (SMARTs) provide a systematic framework for constructing and evaluating dynamic treatment regimens (DTRs). In clinical studies, longitudinal biomarkers are routinely collected to monitor disease progression and define treatment response. However, the integration of longitudinal biomarker data into survival analysis for DTR evaluation within a SMART remains unexplored. We propose a joint longitudinal-survival framework to estimate DTR-specific survival outcomes within a two-stage SMART. A linear mixed model specifies the biomarker trajectory, and a relative risk model links the survival process to the current latent biomarker value. To accommodate the time-varying treatment assignment, treatment effects are parameterized through piecewise cumulative exposure terms with a structural change at the decision point. Joint-model parameters are estimated by maximum likelihood using pseudo-adaptive Gauss-Hermite quadrature for random-effect integration. Under standard causal identification assumptions, DTR-specific marginal survival outcomes are obtained through a plug-in parametric g-formula. We compare the joint-model framework to the inverse probability of treatment weighted Kaplan-Meier estimator and implement the multiple comparisons with the best method to identify the optimal DTR with multiplicity control. Through a simulation study and an application to a SMART for androgen-independent prostate cancer, we demonstrate that the joint-model framework produces unbiased estimates under correct model specification, with substantial efficiency gains and higher accuracy in optimal DTR identification. This framework exploits prognostic information from longitudinal biomarkers, enables valid causal inference for DTR-specific survival outcomes, and provides a generalizable analytic tool for developing evidence-based adaptive treatment strategies.