An Instrumental Variable Approach to Account for Informative Treatment Switching in Real-world Evidence
真实世界证据中信息性治疗切换的工具变量方法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：摘要通过工具变量和结构生存模型处理治疗切换导致的未测混杂与治疗效应估计。
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
真实世界证据中信息性治疗切换的工具变量方法
- 研究问题
- 当后续治疗切换与未充分记录的预期结局有关时，如何处理由此形成的未测混杂，并可靠估计原始治疗决策的生存效应？
- 方法与思路
- 作者以基线治疗为工具变量，在结构累积生存模型下构造鞅式残差估计方程，并结合双重稳健估计、协同训练和校正交叉拟合。
- 材料陈述的贡献
- 摘要称任一指定干扰模型一致即可保证有效性，协同训练可在半参数加性风险模型下免需观察不切换子集，并提供多发性硬化应用。
- 阅读关注点
- 应核对基线治疗作为工具的条件、切换过程与生存目标的定义，以及双重稳健性、协同训练和交叉拟合各自适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列出工具有效性与生存识别假设，双重稳健性不能替代这些基础条件。
原文摘要
Reproducible and generalizable assessment of treatment decisions requires principled handling of subsequent treatment switching that may inform expected outcomes and shift across cohorts and over time. To effectively account for informative treatment switching, we propose an instrumental variable approach that characterizes the poorly documented expected outcomes at switching as unmeasured confounding. After establishing the baseline treatment as a viable instrumental variable, we constructed an estimating equation based on the association between the centered instrumental variable and a martingale style residual process that identifies the treatment effect under structural cumulative survival model. Our proposed method is doubly robust, i.e., valid whenever either of baseline propensity model or no-switching outcome model is consistently estimated. A co-training of treatment effect parameter and survival outcome regression model eliminated the requirement of observing a no-switching subset under semi-parametric additive hazards models. We further developed an baseline-survival-corrected cross-fitting approach to incorporate general machine learning models for estimating nuisance models. Numerical results demonstrated the validity of our method in various settings when a basket of benchmark solutions produced biased or contradictory results. We applied our method to comparison of high-efficacy vs standard efficacy disease modifying treatments as the second line therapy of multiple sclerosis.