BAGS: A Bayesian Adaptive Group Sequential Trial Design With Subgroup-Specific Survival Comparisons
BAGS：具有亚组特异生存比较的贝叶斯自适应群序贯试验设计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。
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：摘要围绕随机试验中的治疗比较和治疗—亚组交互展开，直接涉及处理效应异质性的研究场景。
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…
关注这篇论文的作者
BAGS：具有亚组特异生存比较的贝叶斯自适应群序贯试验设计
- 研究问题
- 研究随机试验存在治疗与亚组交互时，如何自适应合并同质亚组或拆分异质亚组，以改善亚组内生存比较的功效。
- 方法与思路
- 作者以潜在亚组归属变量构建贝叶斯群序贯设计，可引入基线生存相关协变量，并以平均风险比比较治疗、校准设计参数。
- 材料陈述的贡献
- 摘要称，设计在多种模拟情景下稳健；部分亚组同质且不同于其他亚组时，相比忽略亚组或逐组单独检验具有更高功效。
- 阅读关注点
- 应核对合并拆分与序贯停止规则、平均风险比定义，以及先验和设计参数如何校准总体第一类错误与亚组比较功效。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；未给出校准细节与模拟数值，不能断言任意亚组结构下均控制错误率或提升功效。
原文摘要
Ruitao Lin, Peter F. Thall* & Ying YuanDepartment of Biostatistics, The University of Texas MD Anderson Cancer Center, Houston, TXSupplementary materials for this article are available online. Please go to www.tandfonline.com/r/JASA.CONTACT Peter F. Thall rex@mdanderson.org Department of Biostatistics, The University of Texas MD Anderson Cancer Center, Houston, TA 77030.AbstractA Bayesian group sequential design is proposed that performs survival comparisons within patient subgroups in randomized trials where treatment–subgroup interactions may be present. A latent subgroup membership variable is assumed to allow the design to adaptively combine homogeneous subgroups, or split heterogeneous subgroups, to improve the procedure’s within-subgroup power. If a baseline covariate related to survival is available, the design may incorporate this information to improve subgroup identification while basing the comparative test on the average hazard ratio. General guidelines are provided for calibrating prior hyperparameters and design parameters to control the overall Type I error rate and optimize performance. Simulations show that the design is robust under a wide variety of different scenarios. When two or more subgroups are truly homogeneous but differ from the other subgroups, the proposed method is substantially more powerful than tests that either ignore subgroups or conduct a separate test within each subgroup. Supplementary materials for this article are available online.