Inverse Probability Weighting for Recurrent Event Models
重复事件模型中的逆概率加权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：摘要明确针对伴发事件不发生的假想治疗效应，并使用逆概率加权调整时变混杂，直接属于因果推断。
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…
重复事件模型中的逆概率加权
- 研究问题
- 临床试验中，治疗后的伴发事件改变结局解释时，如何估计该事件不发生这一假想情景下的重复事件治疗效应？
- 方法与思路
- 作者将逆概率加权用于 LWYY 和负二项重复事件模型，调整基线及内部时变协变量，以针对假想情景下的目标效应。
- 材料陈述的贡献
- 摘要称，所提估计方法能够纳入重复事件过程与伴发事件的混杂调整，模拟比较显示其在偏差和检验功效方面优于替代方法。
- 阅读关注点
- 应核对假想干预和目标效应的定义、权重如何构造、时变协变量的时间顺序，以及识别条件和极端权重的处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出识别与权重模型条件，模拟优势不能保证实际试验中不存在残余偏差。
原文摘要
Recurrent events are common and important clinical trial endpoints in many disease areas, e.g., cardiovascular hospitalizations in heart failure, relapses in multiple sclerosis, or exacerbations in asthma. During a trial, patients may experience intercurrent events, that is, events after treatment assignment which affect the interpretation or existence of the outcome of interest. In many settings, a treatment effect in the scenario in which the intercurrent event would not occur is of clinical interest. A proper estimation method of such a hypothetical treatment effect has to account for all confounders of the recurrent event process and the intercurrent event. In this paper, we propose estimators targeting hypothetical estimands in recurrent events with proper adjustments of baseline and internal time-varying covariates. Specifically, we apply inverse probability weighting (IPW) to the commonly used Lin-Wei-Yang-Ying (LWYY) and negative binomial (NB) models in recurrent event analysis. Simulation studies demonstrate that our approach outperforms alternative analytical methods in terms of bias and power.