Nonparametric efficient causal estimation of the intervention-specific expected number of recurrent events with continuous-time targeted maximum likelihood and highly adaptive lasso estimation
连续时间靶向极大似然与高度自适应 Lasso 的干预特定复发事件期望次数估计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：摘要通过 g 计算与明确干预定义因果目标，并研究依赖历史信息的治疗和删失，直接支持因果推断分类。
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…
连续时间靶向极大似然与高度自适应 Lasso 的干预特定复发事件期望次数估计
- 研究问题
- 在复发事件、竞争风险和删失同时出现的连续时间纵向研究中，如何利用基线后信息估计特定干预下的期望复发次数？
- 方法与思路
- 作者在计数过程模型中对观测分布的乘积积分施加干预，以 g 计算定义目标参数，并结合靶向极大似然与高度自适应 Lasso。
- 材料陈述的贡献
- 摘要称目标参数可处理依赖既往基线后信息的删失与治疗决策，并提出双重稳健、非参数推断方法及模拟说明。
- 阅读关注点
- 应核对干预的数学定义、因果识别条件和竞争风险处理，以及连续时间估计步骤、双重稳健要求与效率论证。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出完整识别和效率条件，模拟也不能单独证明临床适用性。
原文摘要
Longitudinal settings involving outcome, competing risks and censoring events occurring and recurring in continuous time are common in medical research, but are often analyzed with methods that do not allow for taking post-baseline information into account. In this work, we define statistical and causal target parameters via the g-computation formula by carrying out interventions directly on the product integral representing the observed data distribution in a continuous-time counting process model framework. In recurrent events settings our target parameter identifies the expected number of recurrent events also in settings where the censoring mechanism or post-baseline treatment decisions depend on past information of post-baseline covariates such as the recurrent event process. We propose a flexible estimation procedure based on targeted maximum likelihood estimation coupled with highly adaptive lasso estimation to provide a novel approach for double robust and nonparametric inference for the considered target parameter. We illustrate the methods in a simulation study.