On the Use of Weighting for Personalized and Transparent Evidence Synthesis
用于个性化与透明证据综合的加权方法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：摘要围绕特定目标患者人群的治疗效应，研究多种设计和数据来源的因果证据综合。
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
用于个性化与透明证据综合的加权方法
- 研究问题
- 如何综合不同研究设计及个体或汇总数据，使治疗效应证据对应特定患者人群，并识别偏离目标人群的研究？
- 方法与思路
- 作者提出兼容个体与汇总数据的加权证据综合框架，在样本限定范围内匹配目标协变量特征，并检测偏离目标的研究。
- 材料陈述的贡献
- 摘要称框架涵盖并扩展回归型元分析，建立多种一致性条件和渐近正态性，并以模拟及两个实际案例展示方法。
- 阅读关注点
- 核对目标效应、样本限定的含义、跨研究可比性条件，以及研究排除规则和权重估计对不确定性评估的影响。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出一致性条件、案例细节及研究排除后的推断处理。
原文摘要
Over the past few decades, statistical methods for causal inference have made impressive strides, enabling progress across a range of scientific fields. However, much of this methodological development has been confined to individual studies, limiting its ability to draw more generalizable conclusions. Achieving a thorough understanding of cause and effect typically relies on the integration, reconciliation, and synthesis from diverse study designs and multiple data sources. Furthermore, it is crucial to direct this synthesis effort toward understanding the effect of treatments for specific patient populations. To address these challenges, we present a weighting framework for evidence synthesis that handles both individual- and aggregate-level data, encompassing and extending conventional regression-based meta-analysis methods. We use this approach to tailor meta-analyses, targeting the covariate profiles of patients in a target population in a sample-bounded manner, thereby enhancing their personalization and robustness. We propose a technique to detect studies that meaningfully deviate from the target population, suggesting when it might be prudent to exclude them from the analysis. We establish multiple consistency conditions and demonstrate asymptotic normality for the proposed estimator. We demonstrate the effectiveness of the method through a simulation study and two real-world case studies.