A Bayesian semi-parametric approach to causal mediation for longitudinal mediators and time-to-event outcomes with application to a cardiovascular disease cohort study
纵向中介与事件时间结局的贝叶斯半参数因果中介分析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：摘要明确围绕时变混杂下的因果中介分析和直接、间接效应识别展开，最直接对应因果推断。
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…
纵向中介与事件时间结局的贝叶斯半参数因果中介分析
- 研究问题
- 存在随时间变化的暴露、混杂和中介以及竞争事件时，如何分解药物对心血管死亡时间的直接与间接效应？
- 方法与思路
- 作者用半参数贝叶斯加性回归树联合处理纵向与生存资料，允许连续或二元的时变变量，并处理竞争事件下的效应。
- 材料陈述的贡献
- 摘要称框架能够识别和估计竞争事件存在时的直接与间接因果效应，并应用于 ARIC 心血管病队列研究。
- 阅读关注点
- 应核对直接与间接效应的定义、时变混杂及竞争事件的识别条件，以及纵向模型和生存模型如何衔接。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收未核实；摘要未列出识别假设、删失处理规则或药物效应的具体估计结果。
原文摘要
Causal mediation analysis of observational data is an important tool for investigating the potential causal effects of medications on disease-related risk factors, and on time-to-death (or disease progression) through these risk factors. However, when analyzing data from a cohort study, such analyses are complicated by the longitudinal structure of the risk factors and the presence of time-varying confounders. Leveraging data from the Atherosclerosis Risk in Communities (ARIC) cohort study, we develop a causal mediation approach, using (semi-parametric) Bayesian Additive Regression Tree (BART) models for the longitudinal and survival data. Our framework allows for time-varying exposures, confounders, and mediators, all of which can either be continuous or binary. We also identify and estimate direct and indirect causal effects in the presence of a competing event. We apply our methods to assess how medication, prescribed to target cardiovascular disease (CVD) risk factors, affects the time-to-CVD death.