Semiparametric Analysis of Interval-Censored Data Subject to Inaccurate Diagnoses with A Terminal Event
带终末事件与不准确诊断的区间删失数据半参数分析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：摘要属于生存分析与半参数估计的方法学工作，涉及区间删失、诊断误差与终末事件，未体现所给微观、宏观或金融领域细分的直接文本依据，故不选择。
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
带终末事件与不准确诊断的区间删失数据半参数分析
- 研究问题
- 摘要称，慢性病研究中疾病状态常由间歇采集的生物标志物推断而产生区间删失，但既有方法多假设诊断完全准确；本文关注在诊断不准确、并可能存在终末事件时，如何对区间删失数据进行回归分析。
- 方法与思路
- 作者提出基于 Cox 比例风险模型的半参数建模框架，把诊断的敏感度与特异度纳入模型以刻画区间是否真正包含发病时点的不确定性，并允许存在终末事件及诊断准确（如尸检）的情形；采用非参数最大似然估计，并开发 EM 算法进行推断。
- 材料陈述的贡献
- 摘要称所提回归系数估计量具有渐近正态性并达到半参数有效界，且通过大量模拟与一项阿尔茨海默病风险评估应用加以验证；应用结果显示淀粉样蛋白β与 AD 显著相关，而 Tau 对 AD 与死亡均有预测作用。
- 阅读关注点
- 阅读全文时应核对：敏感度与特异度如何被识别与参数化、是否需要外部验证数据或可交换性假设；终末事件与发病过程的联合建模结构；非参数最大似然与 EM 算法的收敛及实现细节；渐近正态性与有效界的正则条件；模拟设定是否贴近实际诊断误差；AD 应用中的样本来源、随访与诊断金标准定义。
- 阅读边界
- 仅依据摘要，无法判断识别假设是否合理、估计与算法在有限样本下的表现、模拟设计是否充分，以及 AD 应用结论的稳健性；摘要未说明数据来源、样本量、随访间隔与诊断准确度取值。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Interval-censoring frequently occurs in studies of chronic diseases where disease status is inferred from intermittently collected biomarkers. Although many methods have been developed to analyze such data, they typically assume perfect disease diagnosis, which often does not hold in practice due to the inherent imperfect clinical diagnosis of cognitive functions or measurement errors of biomarkers such as cerebrospinal fluid. In this work, we introduce a semiparametric modeling framework using the Cox proportional hazards model to address interval-censored data in the presence of inaccurate disease diagnosis. Our model incorporates sensitivity and specificity of the diagnosis to account for uncertainty in whether the interval truly contains the disease onset. Furthermore, the framework accommodates scenarios involving a terminal event and when diagnosis is accurate, such as through postmortem analysis. We propose a nonparametric maximum likelihood estimation method for inference and develop an efficient EM algorithm to ensure computational feasibility. The regression coefficient estimators are shown to be asymptotically normal, achieving semiparametric efficiency bounds. We further validate our approach through extensive simulation studies and an application assessing Alzheimer's disease (AD) risk. We find that amyloid-beta is significantly associated with AD, but Tau is predictive of both AD and mortality.