Semiparametric methods for evaluating risk prediction markers in case-control studies
病例对照研究中风险预测标志物评价的半参数方法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。
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：摘要明确讨论疾病风险与病例对照研究，未涉及所列金融风险或经济预测细分。
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
病例对照研究中风险预测标志物评价的半参数方法
- 研究问题
- 当评价疾病风险标志物的数据来自病例对照设计时，如何估计总体风险分布与预测性曲线，以衡量风险分层能力？
- 方法与思路
- 作者发展适用于病例对照数据的半参数方法，将此前针对队列数据的预测性曲线估计思路推广到该抽样设计。
- 材料陈述的贡献
- 摘要称方法具有灵活性，并以队列方法的自然推广处理病例对照数据，通过前列腺癌风险标志物应用展示用途。
- 阅读关注点
- 应核对病例对照抽样如何还原总体风险分布、校准要求如何满足，以及风险分布宽度与风险分层表现的关系。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；所需总体信息、校准与估计条件未说明，疾病风险预测不能据此归为金融风险。
原文摘要
The performance of a well-calibrated risk model for a binary disease outcome can be characterized by the population distribution of risk and displayed with the predictiveness curve. Better performance is characterized by a wider distribution of risk, since this corresponds to better risk stratification in the sense that more subjects are identified at low and high risk for the disease outcome. Although methods have been developed to estimate predictiveness curves from cohort studies, most studies to evaluate novel risk prediction markers employ case-control designs. Here we develop semiparametric methods that accommodate case-control data. The semiparametric methods are flexible, and naturally generalize methods previously developed for cohort data. Applications to prostate cancer risk prediction markers illustrate the methods.