Tipping Point Sensitivity Analysis for Missing Data in Time-to-Event Endpoints: Model-Based and Ad hoc Approaches
事件时间终点缺失数据的临界点敏感性分析：模型法与经验法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：摘要围绕治疗分配效应的目标定义及删失假设违反对效应结论的影响展开。
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…
事件时间终点缺失数据的临界点敏感性分析：模型法与经验法
- 研究问题
- 当试验退出产生的右删失可能违反独立删失假设时，治疗分配效应的结论对哪些缺失机制偏离敏感，何时会出现结论转折？
- 方法与思路
- 作者比较模型化临界点分析与两种经验性插补方法，后者基于界标或百分位抽样，并用依据真实临床试验重建的例子说明。
- 材料陈述的贡献
- 摘要明确对比不同临界点方法的假设及解释含义，强调退出与治疗中止等事件的关联，以及评估敏感性设定临床合理性的重要性。
- 阅读关注点
- 应核对治疗政策目标、敏感性参数与删失机制的对应、插补规则，以及临界点判据和重建试验例子保留了哪些原始信息。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给临界点数值，重建例子也不等同于原始试验资料，无法判断各方法实际优劣。
原文摘要
Treatment policy estimands are frequently favored by regulators, as they assess the effect of treatment assignment regardless of post-randomization events. Despite best efforts, missing data due to study discontinuation cannot be fully avoided and, for time-to-event endpoints, typically manifests as right censoring. Study discontinuation is often more likely following intercurrent events, particularly when it coincides with treatment discontinuation, raising concerns about violations of the independent censoring assumption. Although the independent censoring assumption is routinely adopted for the main analyses, it may be unrealistic in practice and could lead to biased estimation of the treatment effect under the treatment policy estimand. Tipping-point analyses provide a structured framework to assess the robustness of trial conclusions to departures from the independent censoring assumption. This paper describes and contrasts model-based and two ad hoc tipping point approaches, which involve "landmark" or "percentile sampling" based imputation. We illustrate their application using re-constructed examples based on real clinical trials, highlighting their underlying assumptions and implications for interpretation and clinical plausibility assessments of different tipping point approaches.