fkbma: An R Package for Detecting Tailoring Variables with Free-Knot B-Splines and Bayesian Model Averaging
fkbma：以自由节点 B 样条和贝叶斯模型平均识别治疗定制变量的 R 包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：摘要明确围绕处理效应异质性、治疗获益亚组及个性化治疗变量展开。
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…
fkbma：以自由节点 B 样条和贝叶斯模型平均识别治疗定制变量的 R 包
- 研究问题
- 如何识别与治疗获益差异相关的患者特征，同时考虑变量选择和非线性关系的不确定性，以支持患者亚组识别与治疗个性化？
- 方法与思路
- 作者将自由节点 B 样条与贝叶斯模型平均结合，通过可逆跳跃马尔可夫链蒙特卡洛刻画处理效应异质性，并实现为 R 包。
- 材料陈述的贡献
- 摘要介绍软件的统计方法、计算实现及模拟和真实应用，称其支持预测性生物标志物识别、贝叶斯自适应富集和患者亚组分析。
- 阅读关注点
- 应核对定制变量与一般预后变量的区分、处理交互结构、先验及采样收敛诊断，并查看观测研究应用如何处理混杂与亚组不确定性。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明观测研究的因果识别条件、软件验证细节或亚组识别误差。
原文摘要
Precision medicine aims to optimize treatment by identifying patient subgroups most likely to benefit from specific interventions. To support this goal, we introduce fkbma, an R package that implements a Bayesian model averaging approach with free-knot B-splines for identifying tailoring variables. The package employs a reversible jump Markov chain Monte Carlo algorithm to flexibly model treatment effect heterogeneity while accounting for uncertainty in both variable selection and non-linear relationships. fkbma provides a comprehensive framework for detecting predictive biomarkers, integrating Bayesian adaptive enrichment strategies, and enabling robust subgroup identification in clinical trials and observational studies. This paper details the statistical methodology underlying fkbma, outlines its computational implementation, and demonstrates its application through simulations and real-world examples. The package's flexibility makes it a valuable tool for precision medicine research, offering a principled approach to treatment personalization.