Using Principal Progression Rate to Quantify and Compare Disease Progression in Comparative Studies
利用主要进展速率量化和比较研究中的疾病进展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：摘要围绕随机试验等比较研究中的干预效应目标与检验功效展开，因此与因果推断相关，纵向数据本身不足以归为面板计量。
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…
利用主要进展速率量化和比较研究中的疾病进展
- 研究问题
- 比较进行性疾病的干预效果时，如何利用整个随访期间的平均结果轨迹，弥补单一时点基线变化量的信息局限？
- 方法与思路
- 作者提出主要进展速率，将总体均值轨迹的局部斜率加权平均，通过不同权重连接基线变化量、拟合斜率等目标。
- 材料陈述的贡献
- 摘要称，适当选择进展速率可增强效应信号或提高估计精度，从而提高检验功效，并以数值研究和真实数据展示。
- 阅读关注点
- 应核对权重如何确定、不同目标的临床解释及估计方法，并查看功效比较是否同时考虑随访结构和结果缺失。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明权重选择条件及数值结果，不能推断任意权重均提高功效。
原文摘要
In comparative studies of progressive diseases, such as randomized controlled trials (RCTs), the mean Change From Baseline (CFB) of a continuous outcome at a pre-specified follow-up time across subjects in the target population is a standard estimand used to summarize the overall disease progression. Despite its simplicity in interpretation, the mean CFB may not efficiently capture important features of the trajectory of the mean outcome relevant to the evaluation of the treatment effect of an intervention. Additionally, the estimation of the mean CFB does not use all longitudinal data points. To address these limitations, we propose a class of estimands called Principal Progression Rate (PPR). The PPR is a weighted average of local or instantaneous slope of the trajectory of the population mean during the follow-up. The flexibility of the weight function allows the PPR to cover a broad class of intuitive estimands, including the mean CFB, the slope of ordinary least-square fit to the trajectory, and the area under the curve. We showed that properly chosen PPRs can enhance statistical power over the mean CFB by amplifying the signal of treatment effect and/or improving estimation precision. We evaluated different versions of PPRs and the performance of their estimators through numerical studies. A real dataset was analyzed to demonstrate the advantage of using alternative PPR over the mean CFB.