Analysis of cohort studies with multivariate and partially observed disease classification data
含多维且部分缺失疾病分类信息的队列研究分析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。
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：摘要聚焦疾病队列、竞争风险及缺失分类信息，未直接对应所列经济学领域细分。
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…
含多维且部分缺失疾病分类信息的队列研究分析
- 研究问题
- 队列研究中疾病由多个病理或分子特征分类、且部分特征缺失时，如何分析协变量效应在不同疾病特征之间的异质性？
- 方法与思路
- 作者建立两阶段半参数 Cox 比例风险模型，将竞争风险中缺失失败原因的估计方程方法推广至多维疾病特征缺失。
- 材料陈述的贡献
- 摘要称在一般随机缺失假设下证明估计方程渐近无偏，并提出基于影响函数的夹心方差估计，以模拟和癌症队列展示方法。
- 阅读关注点
- 应核对两阶段模型如何表达特征异质性、随机缺失假设的具体条件，以及影响函数与夹心方差是否涵盖各阶段估计误差。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。随机缺失假设的细节及非随机缺失下的表现未说明，不能推断刊本变化。
原文摘要
Complex diseases like cancers can often be classified into subtypes using various pathological and molecular traits of the disease. In this article, we develop methods for analysis of disease incidence in cohort studies incorporating data on multiple disease traits using a two-stage semiparametric Cox proportional hazards regression model that allows one to examine the heterogeneity in the effect of the covariates by the levels of the different disease traits. For inference in the presence of missing disease traits, we propose a generalization of an estimating equation approach for handling missing cause of failure in competing-risk data. We prove asymptotic unbiasedness of the estimating equation method under a general missing-at-random assumption and propose a novel influence-function-based sandwich variance estimator. The methods are illustrated using simulation studies and a real data application involving the Cancer Prevention Study II nutrition cohort.