A Continuous-Weighted Win Ratio for Hierarchical Composite Endpoints
层级复合终点的连续加权胜率比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：摘要聚焦临床试验两处理组的效应比较与检验方法，最直接对应因果推断中的处理效应分析。
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
层级复合终点的连续加权胜率比
- 研究问题
- 在具有临床优先次序的复合终点中，如何让低优先级结局在高优先级结局接近平局时逐渐参与比较，并权衡检验功效？
- 方法与思路
- 作者用平滑权重替代终点层级间的硬切换，将估计量表述为双样本 U 统计量，利用 Hoeffding 投影推导渐近分布及方差估计。
- 材料陈述的贡献
- 摘要称该方法涵盖严格胜率比与硬阈值规则，并说明功效收益取决于处理信号所在层级，最高优先级信号占主导时也可能损失功效。
- 阅读关注点
- 应核对连续权重和调节参数的定义、复合效应的解释，以及局部效率分析如何指导参数选择并保留预设临床优先级。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明完整抽样及终点处理条件，放宽层级并不保证所有情形下功效提高。
原文摘要
Hierarchical composite endpoints are commonly used in clinical trials when component out- comes differ in clinical importance. The win ratio compares patients across treatment groups according to a pre-specified order of clinical priority and has an intuitive interpretation. A strict hierarchical rule, however, uses a lower-priority endpoint only when all higher-priority endpoints are tied or non-informative. This may reduce power when the treatment effect is mainly ex- pressed through lower-priority outcomes. Recent threshold-based extensions relax this hierar- chy by allowing lower-priority outcomes to contribute when higher-priority outcomes are within pre-specified margins. We propose a continuous-weighted win ratio for hierarchical composite endpoints. The method replaces hard transitions between endpoint levels with smooth weights, so that a lower-priority endpoint can contribute gradually when the higher-priority endpoint is close to tied. The resulting estimator is a two-sample U-statistic. We derive its large-sample distribution using the Hoeffding projection and provide a consistent plug-in variance estimator. We also describe the role of the tuning parameter through local alternatives and local efficiency. The proposed class includes the strict win ratio and hard-threshold rules as special or limit- ing cases. Simulation studies show that relaxing the strict hierarchy can improve power when treatment effects are concentrated on lower-priority endpoints, but may reduce power when the highest-priority endpoint carries the main treatment signal.