Causal treatment effect decompositions with time-to-event outcomes under competing events
竞争事件下生存时间结局的因果治疗效应分解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：摘要明确以反事实目标和识别假设研究竞争事件下的治疗因果效应分解。
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…
竞争事件下生存时间结局的因果治疗效应分解
- 研究问题
- 当治疗同时影响目标事件和竞争事件时，如何分解目标事件上的表观治疗效应，区分两类事件共同作用的不同机制？
- 方法与思路
- 作者基于因果模型构造四项分解，使用治疗对两类事件仿佛取不同水平的跨世界反事实目标，并提出交换性与一致性要求。
- 材料陈述的贡献
- 摘要称，四项分解能揭示竞争事件在治疗效应中的作用，为定义具有因果解释的目标量提供基础，并在两项随机试验中演示。
- 阅读关注点
- 应核对四项机制的精确定义、跨世界目标的解释及识别条件，并检查随机分配能支持哪些假设、哪些仍需额外论证。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出完整交换性条件、估计程序和结果，不能仅凭试验设计确认分解可识别。
原文摘要
Inference about treatment effects for time-to-event outcomes is often obscured by the presence of competing events. A particularly complex situation arises when the treatment influences the occurrence of the competing event. A comprehensive assessment should then account for different mechanisms by which the treatment and the competing event together produce the apparent treatment effect. Here, we propose a decomposition of the treatment's effect on the event of interest (target), characterising how it arises due to four distinct mechanisms involving both the target and competing events. Based on a causal model, the decomposition relies on cross-world estimands reflecting counterfactual scenarios in which the treatment affects the two events as if set to conflicting levels. We specify exchangeability and consistency assumptions under which the decomposition can be estimated from observed data. We discuss how the new decomposition reveals the role of the competing event and serves as a basis for defining causally interpretable estimands in the presence of competing events. Finally, we demonstrate the use of the four-way decomposition with datasets from two randomised trials.