A Unified Causal Inference Framework for the Desirability of Outcome Ranking Paradigm in Benefit-Risk Evaluation
获益—风险评价中结局期望排序概率的统一因果推断框架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：摘要以治疗策略下有序结局的边际分布定义因果比较量，并开展协变量调整推断，直接涉及因果与分布效应。
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…
获益—风险评价中结局期望排序概率的统一因果推断框架
- 研究问题
- 如何在随机试验和观察研究中，利用协变量调整估计两种治疗策略的结局期望排序概率，从而综合比较治疗获益与风险？
- 方法与思路
- 作者将 DOOR 概率写为两种策略下边际有序结局分布的双线性泛函，用序贯风险集风险建模，并推导有效影响函数和相关估计。
- 材料陈述的贡献
- 摘要称统一了分布估计与 DOOR 推断，并在所设模拟中发现结合 Super Learner 的交叉验证 TMLE 在偏差、标准误和覆盖率等方面表现较好。
- 阅读关注点
- 应核对有序结局与平局的定义、观察研究的识别条件、风险集建模方式，以及交叉拟合、重叠程度和模拟比较的实现细节。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要中的方法表现排序仅来自所述模拟，未说明完整条件及跨情境稳定性。
原文摘要
We developed a unified covariate-adjusted causal inference framework for estimating the desirability of outcome ranking (DOOR) probability for benefit-risk evaluation in randomized trials and observational studies. The framework expresses the DOOR probability as a bilinear functional of the marginal ordinal outcome distributions under the two treatment strategies, estimates conditional ordinal distributions through sequential risk-set hazards, and derives the efficient influence function (EIF) of the DOOR probability. The point-estimation simulations compared G-computation, normalized inverse probability weighting (IPW), augmented IPW (AIPW), and targeted maximum likelihood estimation (TMLE), with nuisance functions estimated using generalized linear models or Super Learner (SL). TMLE-SL showed the strongest and most consistent point-estimation performance, with AIPW-SL ranking second. EIF-based inference was then evaluated for AIPW-SL and TMLE-SL, with and without cross-fitting, across settings varying in overlap, treatment-effect heterogeneity, and treatment allocation. CVTMLE-SL showed the strongest overall performance across DOOR-scale bias, recovery of the underlying ordinal distributions, standard-error accuracy, and confidence-interval coverage. We illustrate the methodology using data from the multidrug-resistant organism network of the Antibacterial Resistance Leadership Group.