Double/debiased machine learning of quantile treatment effects on long-term outcomes in clinical trials
临床试验长期结局分位数处理效应的双重／去偏机器学习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：摘要明确研究长期结局的因果识别与分位数处理效应推断。
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…
关注这篇论文的作者
临床试验长期结局分位数处理效应的双重／去偏机器学习
- 研究问题
- 随机试验只观测短期替代结局时，如何结合含长期结局的外部观察数据，识别并推断试验人群的长期分位数处理效应？
- 方法与思路
- 作者在随机化、正性及基于替代结局的可迁移假设下建立识别，构造允许机器学习估计干扰函数的双重稳健估计量。
- 材料陈述的贡献
- 摘要称，相关得分函数或结局回归函数一侧一致即可保障一致性，并在正则条件下获得渐近正态性，揭示跨分位数效应异质性。
- 阅读关注点
- 应核对替代结局可迁移假设的精确定义、两组干扰函数与双重稳健结构，以及渐近推断对估计误差和分位点的要求。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列完整正则条件与数值结果，数据整合的因果有效性仍依赖假设。
原文摘要
Long-term outcomes are often unavailable in randomized clinical trials, although short-term surrogate outcomes are commonly observed. External observational data may contain the long-term outcome, but causal comparisons based on such data alone are vulnerable to confounding. Existing surrogate-based data integration methods for long-term outcomes have focused primarily on average treatment effects. We study estimation of quantile treatment effects for long-term outcomes in the trial population by combining randomized trial data with external observational data. Under treatment randomization, positivity, and a surrogate-based transportability assumption, we establish identification and develop a doubly robust estimator for inference. The estimator accommodates flexible machine learning methods for nuisance estimation, remains consistent if either the score-related or outcome regression-related nuisance functions are consistently estimated, and is asymptotically normal under regularity conditions. Simulation and real-data results demonstrate that the proposed method performs well in finite samples and can reveal heterogeneous long-term treatment effects across quantiles.