Learn-As-you-GO (LAGO) Trials: Optimizing Trials for Effectiveness and Power to Prevent Failed Trials
边学边开展的 LAGO 试验：以干预效果与检验功效优化设计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：摘要研究自适应干预试验中的处理效应估计及检验功效。
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…
边学边开展的 LAGO 试验：以干预效果与检验功效优化设计
- 研究问题
- 当试验进行中可调整干预组合时，如何把最终检验功效纳入优化目标，减少原设计功效不足的风险，同时维持效应估计和检验的渐近性质？
- 方法与思路
- 作者提出无条件与条件功效两种优化路径，利用前期阶段数据估计最终功效并调整干预方案，再通过既有试验的回顾性应用展示。
- 材料陈述的贡献
- 摘要称，加入功效目标能提高原本功效不足试验的最终功效，并保持处理效应估计的渐近性质及试验结束时检验的渐近水平。
- 阅读关注点
- 应核对干预调整规则、阶段数据依赖和最终检验构造，检查渐近结论的条件，并区分回顾性重设方案与实际实施所得证据。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；回顾性示例中的潜在显著结果并非新试验验证，摘要未给出完整适用条件。
原文摘要
The Learn-As-you-GO (LAGO) design provides a rigorous framework for adapting the intervention package based on accumulating data while the trial is ongoing. This article improves the flexibility of the LAGO design by incorporating statistical power as an optimization criterion (power goal) in LAGO optimizations. We propose the unconditional and conditional power approaches to add a power goal. Both approaches estimate the power at the end of the LAGO trial using data from prior stages, and increase the power at the end of the LAGO trial when the original trial was underpowered. Including a power goal maintains the asymptotic properties of the estimators of the treatment effect while preserving the asymptotic level of the statistical test at the end of the trial. We illustrate the benefits of our methods through a retrospective application to the BetterBirth Study, a large-scale study of maternal-newborn care that failed to show a significant effect on its primary outcome. This analysis demonstrates how our methods could have led to more intensive interventions and potentially significant results. The LAGO design with power goal optimizations provides investigators with a powerful tool to reduce the risk of failed trials due to insufficient power.