Bayesian Benefit-Risk Assessment with Dependent Outcomes via Latent Factor Models
利用潜因子模型对相关结局进行贝叶斯获益—风险评估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：摘要中的因子模型服务于临床混合结局评估，未提供归入宏观因子或金融风险方向的依据。
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…
利用潜因子模型对相关结局进行贝叶斯获益—风险评估
- 研究问题
- 药物评估需要同时考虑多种相关且类型不同的结局时，如何综合不确定性与专家判断，并随新数据更新治疗比较和研究决策？
- 方法与思路
- 作者扩展混合结局的结构因子模型，结合拟合与样本外预测选择模型，再以定制序贯蒙特卡洛更新多准则决策分析分数。
- 材料陈述的贡献
- 摘要称提供连贯的贝叶斯获益—风险与序贯估计框架，支持提前停止及动态治疗分配，并以二型糖尿病治疗数据说明方法。
- 阅读关注点
- 应核对潜因子的识别与先验、各结局效用及权重的设定，以及序贯停止和动态分配规则如何影响决策可靠性与模型比较。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供临床比较结果和停止规则，不能据此判断任何药物的净获益。
原文摘要
Approving and assessing new drugs is complex because multiple criteria must be considered simultaneously. A common approach is benefit-risk analysis, often conducted within a Bayesian framework to account for uncertainty and combine data with expert judgement, typically through multi-criteria decision analysis (MCDA) scores. This requires models that accommodate mixed and potentially correlated outcomes; latent factor models provide a natural framework. We develop a coherent Bayesian framework for benefit-risk analysis that addresses these challenges and supports sequential decision-making. We extend structured factor models to mixed outcomes and introduce a principled approach for selecting among competing specifications that combines model fit with out-of-sample predictive performance. We then develop a sequential estimation framework that updates MCDA scores as new data become available, allowing treatment comparisons to evolve over time. This supports early stopping when conclusions are clear and permits dynamic treatment allocation aligned with study objectives. To make this feasible, we develop tailored sequential Monte Carlo methods adapted to the model structure. The methodology is illustrated using data on patients with type II diabetes treated with Metformin, Rosiglitazone, and their combination.