跳到正文
← 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:摘要明确采用处理概率倒数加权,研究分布式队列中生存结局的因果处理效应。

反馈分类问题

FedECA: Federated External Control Arms for Causal Inference with Time-To-Event Data in Distributed Settings

FedECA:分布式生存数据因果推断的联邦外部对照组

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
Honghao Li
Imke Mayer
Nicolas Loiseau
Mohammad Hallal
Michael Debouver
Thibault Camalon
Thibault Fouqueray
Zahia Yanes
Laëtitia Dahan
Julien Taïeb
Shulin Zhao
Remy Nicolle
Jérome Cros
Daniel Gonzalez
Kawther Abdilleh
Sudheer Doss
Félix Balazard
Mathieu Andreux

FedECA:分布式生存数据因果推断的联邦外部对照组

研究问题
当多个临床队列无法集中汇总患者数据时,如何构建外部对照组并估计生存结局的处理效应,以支持跨来源证据整合?
方法与思路
作者利用联邦学习,在彼此分离的队列上实现生存结局的处理概率倒数加权,并以逐渐复杂的案例及三个胰腺癌队列展示方法。
材料陈述的贡献
摘要称,该方法无需汇总原始数据即可开展加权分析,并应用于两种获批化疗方案的效应比较;作者同时表示分享代码。
阅读关注点
应核对跨队列可比性、混杂控制与删失处理,以及分布式权重计算、共享信息内容和与集中分析结果的一致性。
阅读边界
这是预印本,同行评审及期刊接收未核实;摘要未说明识别条件、隐私保证或比较效应数值,不能据此认定满足具体监管要求。

原文摘要

External control arms can inform early clinical development of experimental drugs and provide efficacy evidence for regulatory approval. However, accessing sufficient real-world or historical clinical trials data is challenging. Indeed, regulations protecting patients' rights by strictly controlling data processing make pooling data from multiple sources in a central server often difficult. To address these limitations, we develop a method that leverages federated learning to enable inverse probability of treatment weighting for time-to-event outcomes on separate cohorts without needing to pool data. To showcase its potential, we apply it in different settings of increasing complexity, culminating with a real-world use-case in which our method is used to compare the treatment effect of two approved chemotherapy regimens using data from three separate cohorts of patients with metastatic pancreatic cancer. By sharing our code, we hope it will foster the creation of federated research networks and thus accelerate drug development.

笔记与分组
相关领域论文