A CV-TMLE global test approach to improve power in rare disease clinical studies with multiple-component endpoints
利用 CV-TMLE 全局检验提高罕见病多组分终点研究的功效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：摘要围绕临床试验的平均处理效应、TMLE 估计及疗效检验展开，直接关联因果推断。
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…
利用 CV-TMLE 全局检验提高罕见病多组分终点研究的功效
- 研究问题
- 在样本有限且多个临床终点处理效应异质的罕见病试验中，如何学习加权复合终点，提高整体疗效检验功效并控制第一类错误？
- 方法与思路
- 作者采用带收缩的交叉验证目标最大似然估计学习自适应权重，可融入领域知识，并对数据依赖复合终点的平均处理效应进行推断。
- 材料陈述的贡献
- 摘要称模拟中异质终点效应下的功效高于标准多重性调整和经典全局检验，同时维持名义错误率，并提供复合终点效应估计。
- 阅读关注点
- 应核对交叉验证和收缩如何避免权重学习偏差、数据依赖目标的精确定义，以及小样本下错误率控制和功效比较的模拟条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出有效性条件或模拟数值，不能将功效改善推广到所有终点效应模式。
原文摘要
Rare disease trials face unique statistical challenges due to limited patient populations and heterogeneous clinical manifestations among patients. Multiple endpoints are often necessary to comprehensively capture treatment benefits. A global test is an approach for evaluating whether a treatment has any beneficial effect across multiple endpoints. We propose a new global test based on a weighted composite endpoint. The proposed global test employs shrinkage-based cross-validated targeted maximum likelihood estimation (CV-TMLE) to learn data-adaptive weights that maximize power while maintaining Type I error control. Shrinkage can be tailored to incorporate existing domain knowledge, such as anticipated relative effect sizes. In simulation studies designed to reflect real rare disease trial settings, the proposed procedure demonstrated improved power over standard multiplicity adjustments and classical global tests (such as the O'Brien test), while maintaining nominal Type I error, when effects are heterogeneous across endpoints. The proposed method simultaneously learns an optimal weighted composite outcome and provides an unbiased and efficient targeted maximum likelihood estimator (TMLE) for the average treatment effect (ATE) on that weighted outcome, with valid inference taking into account that the ATE is data dependent.