Restricted mean time lost for survival and competing risks data using mets in R
使用 R 包 mets 分析生存与竞争风险数据的限制平均损失时间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：摘要明确实现竞争风险下限制平均时间指标的标准化与平均处理效应估计，直接涉及因果推断。
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…
使用 R 包 mets 分析生存与竞争风险数据的限制平均损失时间
- 研究问题
- 如何高效估计生存与竞争风险数据的限制平均生存时间、限制平均损失时间及其不确定性，并支持回归和因果效应分析？
- 方法与思路
- 作者介绍 mets 中的非参数与逆删失概率加权回归实现，提供影响函数，并支持标准化及两类时间指标的平均处理效应估计。
- 材料陈述的贡献
- 摘要称，软件可同时计算所有时间窗的非参数估计及标准误，提供各模型影响函数，计算量随观测数线性增长。
- 阅读关注点
- 全文应核对不同加权估计方程的区别、删失与因果识别条件，以及所有时间窗标准误是否另需调整才能形成同时置信带。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未提供完整假设或软件验证细节，同时计算标准误不等于同时覆盖保证。
原文摘要
This paper introduces software implemented in the mets R-package for calculating non-parametric and regression estimates of Restricted Mean Survival Time (RMST) and Restricted Mean Time Lost (RMTL), including RMTL due to specific causes. A unique feature is the ability to compute the non-parametric estimates of RMST and RMTL, as well as their standard errors, for all time horizons simultaneously. Regression modeling in mets is based on Inverse Probability of Censoring Weighting (IPCW) methods. The package implements different versions of IPCW adjusted estimating equations. A critical technical contribution is the provision of influence functions for all models, which enables the computation of standard errors and allows the estimates to be used as building blocks for more complex statistics, such as the while-alive estimate in recurrent events settings. To expand capabilities in causal inference, the mets package also implements methods for standardization estimates (G-computation) and the estimation of Average Treatment Effects (ATE) for both RMST and RMTL in the competing risks setting. Importantly, the computations scale linearly with the number of observations, making the software efficient for use with large datasets.