An Estimand-Focused Approach for AUC Generalization and Cross-Study Benchmarking
以估计目标为中心的 AUC 推广与跨研究比较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：摘要研究生物标志物判别准确度的人群推广与比较，未明确涉及给定分类中的因果效应、经济预测或其他细分方向。
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…
关注这篇论文的作者
以估计目标为中心的 AUC 推广与跨研究比较
- 研究问题
- 验证队列与目标人群病例构成不同，或不同研究人群不可直接比较时，如何将生物标志物 AUC 统一到指定目标人群？
- 方法与思路
- 作者将校准加权扩展到 AUC 的 U 统计量表达，允许目标人群仅提供协变量汇总信息，并在有个体数据时构造增广方法。
- 材料陈述的贡献
- 摘要称，该框架支持 AUC 的人群推广和统一人群比较；增广版本具有双重稳健性及效率改进，并给出渐近与应用分析。
- 阅读关注点
- 应核对目标 AUC 的定义、跨人群推广条件、汇总协变量需要满足的信息要求，以及增广估计的双重稳健与效率条件。
- 阅读边界
- 这是预印本，同行评审与期刊接收均未核实；摘要未列推广假设和模拟数值，不能认为任意汇总信息均足以校正人群差异。
原文摘要
The area under the ROC curve (AUC) is the standard measure of a biomarker's discriminatory accuracy; however, AUC is rarely treated as a population-specific estimand. When validation cohorts differ from the intended target population in case mix, Naïve AUC estimates can mislead both generalization and cross-study comparison. We develop an estimand-focused framework that anchors biomarker AUC inference to a prespecified target population, aligning with the ICH E9(R1) estimand perspective adapted to discrimination rather than treatment effect. The framework supports two scientific goals: generalizing a study-specific AUC to a clinically relevant target population, and benchmarking AUCs across studies on a common population footing. Methodologically, we extend calibration weighting to the U-statistic formulation of AUC, allowing valid estimation even when the target population is characterized only by summary-level covariate information. This setting is common in biomarker validation, where individual-level target data are often unavailable and existing transportability methods may not be applicable. When patient-level real-world data are accessible, the proposed augmented variants provide double robustness and improved efficiency. We establish asymptotic properties and study their performances through comprehensive simulations. Furthermore, we demonstrate the proposed framework on the POWER trials, evaluating baseline stair-climb power (SCP) as a prognostic marker for 6-month survival in advanced non-small-cell lung cancer (NSCLC). Unlike prior work on transporting model-based predictive accuracy, our framework targets the biomarker-level estimand directly and addresses cross-study comparability - an issue not resolved by current methods.