A Bayesian likely responder approach for the analysis of randomized controlled trials
随机对照试验分析中的贝叶斯可能响应者方法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：摘要研究随机试验中的异质性治疗效应及数据驱动亚组推断。
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
随机对照试验分析中的贝叶斯可能响应者方法
- 研究问题
- 依据模型寻找治疗获益超过临床阈值的亚组时，如何将亚组划分的不确定性传递到后续亚组治疗效应推断？
- 方法与思路
- 作者提出两阶段方法，先识别可能响应者亚组，再利用第一阶段贝叶斯后验分布，将模型估计不确定性纳入效应估计。
- 材料陈述的贡献
- 摘要称模拟中该方法的置信区间比朴素方法校准更好，并在国际新冠治疗试验中展示数据驱动亚组间的效应差异。
- 阅读关注点
- 应核对响应阈值与亚组定义、后验不确定性的传递机制，以及重复使用数据时区间覆盖对象和比较方法的设定。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实；摘要未给出模型假设和覆盖数值，亚组差异不能直接解释为个体获益预测能力。
原文摘要
An important goal of precision medicine is to personalize medical treatment by identifying individuals who are most likely to benefit from a specific treatment. The Likely Responder (LR) framework, which identifies a subpopulation where treatment response is expected to exceed a certain clinical threshold, plays a role in this effort. However, the LR framework, and more generally, data-driven subgroup analyses, often fail to account for uncertainty in the estimation of model-based data-driven subgrouping. We propose a simple two-stage approach that integrates subgroup identification with subsequent subgroup-specific inference on treatment effects. We incorporate model estimation uncertainty from the first stage into subgroup-specific treatment effect estimation in the second stage, by utilizing Bayesian posterior distributions from the first stage. We evaluate our method through simulations, demonstrating that the proposed Bayesian two-stage model produces better calibrated confidence intervals than naïve approaches. We apply our method to an international COVID-19 treatment trial, which shows substantial variation in treatment effects across data-driven subgroups.