Separable effects for adherence
治疗依从性的可分离效应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：摘要围绕治疗效应目标量、治疗组分干预、因果图识别及半参数加权估计展开，直接属于因果推断。
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…
治疗依从性的可分离效应
- 研究问题
- 当药物间依从性不同且持续用药难以实现时，能否通过固定影响不依从性的治疗组分来定义有用的比较效应？
- 方法与思路
- 作者提出依从性的可分离效应，使用治疗组分作用机制假设与因果图讨论识别，并给出构图算法和半参数加权估计。
- 材料陈述的贡献
- 摘要称，新目标量可在相应机制假设下消除依从性差异，并提供可供领域专家审视的图形化假设表达及估计方法。
- 阅读关注点
- 应核对治疗组分如何定义及能否实际干预、识别假设的含义，以及加权估计所需模型和支持条件。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未获核验；摘要未列出完整机制假设，不能判断具体药物是否可合理分解。
原文摘要
Comparing different medications is complicated when adherence to these medications differs. We can overcome the adherence issue by assessing effectiveness under sustained use, as in the usual causal `per-protocol' estimand. However, when sustained use is challenging to satisfy in practice, the usefulness of this estimand can be limited. Here we propose a different class of estimands: separable effects for adherence. These estimands compare modified medications, holding fixed a component responsible for non-adherence. Under assumptions about treatment components' mechanisms of effect, the separable effects estimand can eliminate differences in adherence. These assumptions are amenable to interrogation by subject-matter experts and can be evaluated using causal graphs. We describe an algorithm for constructing causal graphs for separable effects, illustrate how these graphs can be used to reason about assumptions required for identification, and provide semi-parametric weighted estimators.