NP-LEAP: Nonparametric Latent Exchangeability Prior for Model-Lean Borrowing from Historical Data
NP-LEAP：借用历史数据的非参数潜在可交换性先验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：摘要以历史数据扩充随机试验对照组、改善治疗效应估计为主要用途。
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…
NP-LEAP：借用历史数据的非参数潜在可交换性先验
- 研究问题
- 如何在减少参数化结局模型依赖的同时，从历史数据中选择可借用的个体信息，以降低当前试验治疗效应的不确定性？
- 方法与思路
- 作者通过非参数潜在可交换性先验评估个体可交换性，对历史样本的可交换与不可交换划分进行贝叶斯模型平均。
- 材料陈述的贡献
- 摘要称，方法适用于多类结局，并建立后验一致性；模拟显示所考察比较中的有利表现，另用于肺癌试验对照组扩充。
- 阅读关注点
- 应核对可交换性的判定对象、核与先验的选择、后验一致性条件，以及历史样本偏离当前人群时的借用程度。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明正则条件及错误借用风险，模型简约不等于无需假设。
原文摘要
Bayesian dynamic borrowing (BDB) methods leverage historical data to reduce treatment effect uncertainty, yet existing approaches rely on parametric outcome models susceptible to misspecification. We propose the nonparametric latent exchangeability prior (NP-LEAP), an outcome-agnostic, assumption-lean framework to borrow information from historical data. The NP-LEAP performs individual-level exchangeability assessment, inducing Bayesian model averaging over all possible partitions of the historical data into exchangeable and nonexchangeable subsets. Although applicable to a variety of data types with choice of appropriate kernel, the NP-LEAP is particularly well-suited for studies with time-to-event outcomes, where parametric BDB is potentially triply misspecified - imposing a parametric baseline hazard, the proportional hazards structure, and blanket exchangeability. We establish posterior consistency under mild regularity conditions. Simulation studies demonstrate favorable operating characteristics relative to parametric borrowing methods and nonborrowing semiparametric frequentist methods. We illustrate the method by augmenting the control arm in a randomized trial of patients with non-small cell lung cancer.