Estimating Effects of Longitudinal Modified Treatment Policies (LMTPs) on Rates of Change in Health Outcomes
纵向修正治疗政策对健康结局变化率的效应估计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：摘要明确围绕纵向修正治疗政策、反事实健康轨迹及存在时变混杂时的因果推断。
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…
纵向修正治疗政策对健康结局变化率的效应估计
- 研究问题
- 对于多次随访的健康结局，如何衡量依赖暴露水平的纵向干预对变化率及反事实轨迹的影响，并同时检验多个因果效应？
- 方法与思路
- 作者将 LMTP 方法扩展至结局变化率，基于非参数有效影响函数估计构造同时置信区间，并开展全局与局部假设检验。
- 材料陈述的贡献
- 摘要提出针对纵向干预下变化率的推断框架，用含时变混杂和连续暴露的模拟展示表现，并应用于血压移动干预与痴呆进展。
- 阅读关注点
- 应核对变化率的定义、政策映射及因果识别条件，并检查同时区间覆盖的效应集合、时变混杂处理和影响函数估计要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出识别条件、覆盖率或应用效应数值，不能判断血压干预的实际效果。
原文摘要
Longitudinal data often contains outcomes measured at multiple visits, and scientific interest may lie in quantifying the effect of an intervention on an outcome's rate of change. For example, one may wish to study the progression (or trajectory) of a disease over time under different hypothetical interventions. We extend the longitudinal modified treatment policy (LMTP) methodology to estimate effects of complex, exposure-dependent interventions on rates of change in an outcome over time. We exploit the theoretical properties of a nonparametric efficient influence function (EIF)-based estimator to introduce a novel inference framework that can be used to construct simultaneous confidence intervals for a variety of causal effects of interest and to formally test relevant global and local hypotheses about rates of change. We demonstrate the utility of our framework in investigating whether a longitudinal shift intervention affects an outcome's counterfactual trajectory, as compared with no intervention. We present results from a simulation study to illustrate the performance of our inference framework in a longitudinal setting with time-varying confounding and a continuous exposure. We also apply our inference framework to the Columbia Brain Health DataBank (CBDB) to examine the effect of shifting blood pressure on the progression of dementia.