Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach
终末事件截断复发事件的主层分析：嵌套贝叶斯非参数方法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：摘要直接围绕主层分析、死亡截断造成的选择偏倚、因果目标和部分识别展开，属于因果推断方向。
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…
终末事件截断复发事件的主层分析：嵌套贝叶斯非参数方法
- 研究问题
- 死亡等终末事件提前截断复发事件时，如何定义并估计因果效应，处理由截断造成的选择偏倚及不可识别参数的不确定性？
- 方法与思路
- 作者在连续时间主层框架中定义因果目标，以双脆弱性模型推导部分识别结果，再用富集依赖 Dirichlet 过程联合建模两类事件。
- 材料陈述的贡献
- 摘要称方法支持不可识别参数的敏感性分析，改善标准先验对终末事件的预测问题，并以模拟及运动干预再住院应用展示表现。
- 阅读关注点
- 应核对主层与因果目标的定义、部分识别所需假设，以及双脆弱性结构、敏感性参数和先验设定对后验结论的影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出识别界限、先验细节或比较结果，不能认定该方法普遍更优。
原文摘要
Recurrent events often serve as key endpoints in clinical studies but may be prematurely truncated by terminal events such as death, creating selection bias and complicating causal inference. To address this challenge, we develop a Bayesian nonparametric framework to address potential selection bias due to truncation by death within the continuous-time principal stratification framework. We introduce causal estimands for recurrent events in the presence of a terminal event and derive a partial identification result for the estimand under a dual-frailty framework, enabling transparent sensitivity analysis for non-identifiable parameters. We then propose a flexible Bayesian nonparametric prior, the enriched dependent Dirichlet process, specifically designed for joint modeling of recurrent and terminal events, addressing a limitation where standard Dirichlet process priors create random partitions dominated by recurrent events, yielding poor predictive performance for terminal events. Simulations are carried out to show that our method has superior performance compared to existing methods. We apply the proposed new Bayesian nonparametric methods to infer the causal effect of a structured exercise program on rehospitalizations, which are subject to truncation by death.