Bayesian joint modelling using semiparametric accelerated failure time approaches
基于半参数加速失效时间模型的贝叶斯联合建模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：摘要研究临床纵向测量与生存结局的联合模型；重复观测本身不足以归入经济面板，治疗效应表述也未明确因果识别。
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
基于半参数加速失效时间模型的贝叶斯联合建模
- 研究问题
- 如何联合分析重复生物标志物轨迹与事件时间，在处理二者依赖及信息性删失的同时，直接解释协变量对事件时点的作用？
- 方法与思路
- 作者构造半参数加速失效时间联合模型，以基函数展开基线部分，使用 Bernstein 多项式示例及重标度策略进行贝叶斯估计。
- 材料陈述的贡献
- 摘要称框架提供灵活且按时间尺度解释的联合模型，并在事件风险依赖潜在纵向过程的模拟中改善纵向治疗效应恢复。
- 阅读关注点
- 应核对纵向与生存过程的关联形式、基线展开和重标度的作用，以及删失设定、参数识别与模拟比较的覆盖范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出性能数值，也未证明该方法在所有删失或关联结构下更优。
原文摘要
Longitudinal clinical studies often collect repeated measurements of biomarkers or health-related quality of life together with a time-to-event outcome. These processes are intrinsically linked: longitudinal trajectories may predict event risk, while event occurrence, or its anticipation, can induce informative censoring of the longitudinal process. Joint models provide a principled framework for handling this dependence, but most existing formulations rely on proportional hazards assumptions that may be restrictive and offer limited interpretability on the time scale. We propose a class of semiparametric accelerated failure time joint models that directly model covariate effects on event timing while flexibly capturing longitudinal-event associations. The survival component is specified through an accelerated failure time model with the baseline component represented by a flexible basis expansion, allowing a broad class of smooth baseline specifications. We illustrate the framework using Bernstein polynomial baseline representations and introduce rescaling strategies to improve numerical stability and parameter identifiability under time-warping. Estimation is conducted within a Bayesian framework, enabling joint inference for longitudinal, survival, and association parameters. Simulation studies reflecting realistic longitudinal trajectories, censoring mechanisms, and dependence structures are used to evaluate finite-sample performance. The proposed models show improved recovery of longitudinal treatment effects compared with a standalone linear mixed model when event risk depends on the underlying longitudinal process. Overall, the framework extends existing joint modelling methodology by offering a flexible and interpretable alternative to proportional hazards-based approaches.