A Unified Approach to Covariate Adjustment for Survival Endpoints in Randomized Clinical Trials
随机临床试验中生存终点协变量调整的统一方法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：摘要明确研究随机试验中的治疗效应估计及基线协变量调整。
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
随机临床试验中生存终点协变量调整的统一方法
- 研究问题
- 在随机临床试验中，如何利用基线协变量提高不同生存效应指标的估计效率，同时保留原有效应解释和渐近推断性质？
- 方法与思路
- 作者对给定治疗效应估计量加入增广项，并用统计或机器学习方法估计最小化渐近方差的最优增广项。
- 材料陈述的贡献
- 摘要称增广方法保留解释、一致性与渐近正态性，模拟显示明显效率收益；方法已在 sleete R 包中实现并以真实数据展示。
- 阅读关注点
- 应核对可适用的生存效应指标、删失处理与增广条件，以及学习最优增广项时如何保持一致性和方差估计有效性。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明删失假设、学习器要求与效率数值，不能推定任意增广都能改善效率。
原文摘要
Covariate adjustment aims to improve the statistical efficiency of randomized trials by incorporating information from baseline covariates. Popular methods for covariate adjustment include analysis of covariance for continuous endpoints and standardized logistic regression for binary endpoints. For survival endpoints, while some covariate adjustment methods have been developed for specific effect measures, they are not commonly used in practice for various reasons, including high demands for theoretical and methodological sophistication as well as computational skills. This article describes an augmentation approach to covariate adjustment for survival endpoints that is relatively easy to understand and widely applicable to different effect measures. This approach involves augmenting a given treatment effect estimator in a way that preserves interpretation, consistency, and asymptotic normality. The optimal augmentation term, which minimizes asymptotic variance, can be estimated using various statistical and machine learning methods. Simulation results demonstrate that the augmentation approach can bring substantial gains in statistical efficiency. This approach has been implemented in an R package named \texttt{sleete}, which is described in detail and illustrated with real data.