Estimating hypothetical estimands with causal inference and missing data estimators in a diabetes trial
糖尿病试验中假设性目标量的因果推断与缺失数据估计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：摘要明确围绕随机治疗的假设性效应，比较G公式、G估计与逆概率加权等方法，直接属于因果推断问题。
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…
糖尿病试验中假设性目标量的因果推断与缺失数据估计
- 研究问题
- 在糖尿病随机试验中，如何估计假设未发生补救治疗或随机治疗中止时的治疗效应，并处理相应缺失数据？
- 方法与思路
- 作者比较重复测量混合模型、多重插补、逆概率治疗加权、G公式与G估计，并讨论假设及R中的实施细节。
- 材料陈述的贡献
- 摘要称，各方法得到的估计值和标准误总体相近，并整理计算成本、缺失数据及干预后事件处理等方法选择问题。
- 阅读关注点
- 应核对假设性目标量的精确定义、各方法的识别与缺失机制假设，以及事件后数据和时变混杂变量的处理差异。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未获核验；摘要未给出具体假设、数值结果，不能据此判断方法普遍等效。
原文摘要
The recently published ICH E9 addendum on estimands in clinical trials provides a framework for precisely defining the treatment effect that is to be estimated, but says little about estimation methods. Here we report analyses of a clinical trial in type 2 diabetes, targeting the effects of randomised treatment, handling rescue treatment and discontinuation of randomised treatment using the so-called hypothetical strategy. We show how this can be estimated using mixed models for repeated measures, multiple imputation, inverse probability of treatment weighting, G-formula and G-estimation. We describe their assumptions and practical details of their implementation using packages in R. We report the results of these analyses, broadly finding similar estimates and standard errors across the estimators. We discuss various considerations relevant when choosing an estimation approach, including computational time, how to handle missing data, whether to include post intercurrent event data in the analysis, whether and how to adjust for additional time-varying confounders, and whether and how to model different types of ICE separately.