Estimating the causal effects of multiple intermittent treatments with application to COVID-19
多种间歇性治疗的因果效应估计及其新冠应用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：摘要直接研究时变混杂和删失条件下，多种纵向间歇性治疗的因果效应估计。
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…
多种间歇性治疗的因果效应估计及其新冠应用
- 研究问题
- 多种治疗可反复开始和停止、观测时间又不规则时，如何控制时变混杂与删失，比较这些治疗对患者生存结局的因果影响？
- 方法与思路
- 作者构建联合边际结构生存模型，将治疗切换描述为带不连续资格区间的复发事件，并用生存机器学习与核强度估计构造连续时间权重。
- 材料陈述的贡献
- 摘要称，方法无需离散化或人为对齐测量时点，模拟中相较所选传统方法改善偏差和覆盖率，并应用于新冠治疗的死亡或入住重症结局。
- 阅读关注点
- 应核对连续时间权重的识别条件、治疗资格及切换过程的定义，以及时变混杂、删失和机器学习估计误差如何影响推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未列出完整假设、模拟数值及具体治疗效应，比较优势限于所考察场景。
原文摘要
To draw real-world evidence about the comparative effectiveness of multiple time-varying treatments on patient survival, we develop a joint marginal structural survival model and a novel weighting strategy to account for time-varying confounding and censoring. Our methods formulate complex longitudinal treatments with multiple start/stop switches as the recurrent events with discontinuous intervals of treatment eligibility. We derive the weights in continuous time to handle a complex longitudinal dataset without the need to discretize or artificially align the measurement times. We further use machine learning models designed for censored survival data with time-varying covariates and the kernel function estimator of the baseline intensity to efficiently estimate the continuous-time weights. Our simulations demonstrate that the proposed methods provide better bias reduction and nominal coverage probability when analyzing observational longitudinal survival data with irregularly spaced time intervals, compared to conventional methods that require aligned measurement time points. We apply the proposed methods to a large-scale COVID-19 dataset to estimate the causal effects of several COVID-19 treatments on the composite of in-hospital mortality and ICU admission.