Improve the Precision of Area Under the Curve Estimation for Recurrent Events Through Covariate Adjustment
通过协变量调整提高复发事件曲线下面积估计精度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：摘要以随机临床试验中的复发事件处理效应为目标，研究协变量调整和随机化设计下的估计效率，直接对应因果推断。
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…
通过协变量调整提高复发事件曲线下面积估计精度
- 研究问题
- 在复发事件随机试验中，如何提高平均累积函数曲线下面积这一处理效应指标的估计精度，同时保留其总体解释？
- 方法与思路
- 作者提出非参数协变量调整方法，推导渐近分布，并考察简单随机化及协变量自适应随机化下的估计与检验表现。
- 材料陈述的贡献
- 摘要称该调整在相应理论框架中保证相较未调整分析的效率增益，适用于多种随机化设计，模拟支持统计功效改善。
- 阅读关注点
- 应核对曲线下面积的时间范围、复发过程与删失处理，以及效率增益的条件和不同随机化方案下方差估计的形式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明删失条件及渐近推导细节，不能据此保证任意有限样本均改善。
原文摘要
The area under the curve (AUC) of the mean cumulative function (MCF) has recently been introduced as a novel estimand for evaluating treatment effects in recurrent event settings, offering an alternative to the commonly used Lin-Wei-Yang-Ying (LWYY) model. The AUC of the MCF provides a clinically interpretable summary measure that captures the overall burden of disease progression, regardless of whether the proportionality assumption holds. To improve the precision of the AUC estimation while preserving its unconditional interpretability, we propose a nonparametric covariate adjustment approach. This approach guarantees efficiency gain compared to unadjusted analysis, as demonstrated by theoretical asymptotic distributions, and is universally applicable to various randomization schemes, including both simple and covariate-adaptive designs. Extensive simulations across different scenarios further support its advantage in increasing statistical power. Our findings highlight the importance of covariate adjustment for the analysis of AUC in recurrent event settings, offering practical guidance for its application in randomized clinical trials.