Bayesian analysis of restricted mean survival time adjusted for covariates using pseudo-observations
利用伪观测进行协变量调整的限制平均生存时间贝叶斯分析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：摘要以随机试验中的处理效应为研究对象，使用RMST差异及协变量调整进行估计，因此最直接对应因果推断方向。
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…
利用伪观测进行协变量调整的限制平均生存时间贝叶斯分析
- 研究问题
- 研究随机试验中如何对限制平均生存时间进行协变量调整，并在不直接建模生存函数的情况下开展贝叶斯处理效应分析。
- 方法与思路
- 作者将伪观测与广义矩方法结合，直接分析RMST，使用不同时间变化处理效应的模拟检验表现，并应用于前列腺癌三期试验。
- 材料陈述的贡献
- 摘要称方法与既有估计结果相符，协变量调整可提高精度，并能报告RMST差异超过指定时间阈值的后验概率及协变量效应。
- 阅读关注点
- 应核对限制时间点、删失条件、伪观测构造、贝叶斯矩方法与先验设置，以及后验概率和区间在有限样本中的校准情况。
- 阅读边界
- 这是arXiv预印本，同行评审、期刊接收及刊本变化未核验；摘要未说明删失和矩条件、先验或数值结果，精度提升的范围仍待核对。
原文摘要
The difference in restricted mean survival time (RMST) is a clinically meaningful measure to quantify treatment effect in randomized controlled trials, especially when the proportional hazards assumption does not hold. Several frequentist methods exist to estimate RMST adjusted for covariates based on modeling and integrating the survival function. A more natural approach may be a regression model on RMST using pseudo-observations, which allows for a direct estimation without modeling the survival function. Only a few Bayesian methods exist, and each requires a model of the survival function. We developed a new Bayesian method that combines the use of pseudo-observations with the generalized method of moments. This offers RMST estimation adjusted for covariates without the need to model the survival function, making it more attractive than existing Bayesian methods. A simulation study was conducted with different time-dependent treatment effects (early, delayed, and crossing survival) and covariate effects, showing that our approach provides valid results, aligns with existing methods, and shows improved precision after covariate adjustment. For illustration, we applied our approach to a phase III trial in prostate cancer, providing estimates of the treatment effect on RMST, comparable to existing methods. In addition, our approach provided the effect of other covariates on RMST and determined the posterior probability of the difference in RMST exceeds any given time threshold for any covariate, allowing for nuanced and interpretable results.