A general form of covariate adjustment in clinical trials under covariate-adaptive randomization
协变量自适应随机化临床试验中的一般协变量调整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：摘要直接研究随机临床试验治疗效应的协变量调整、增强逆概率加权和随机化推断。
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…
协变量自适应随机化临床试验中的一般协变量调整
- 研究问题
- 协变量自适应随机化产生的数据依赖会影响协变量调整推断；作者研究增强逆概率加权估计量的渐近性质与效率改善条件。
- 方法与思路
- 作者建立覆盖多类响应回归方法的一般理论，论证依赖数据下机器学习结合交叉拟合的使用，并提出构造协变量的联合校准。
- 材料陈述的贡献
- 摘要称，研究刻画渐近正态性、效率增益与适用性，为此类随机化下的机器学习交叉拟合提供理论依据，并提出校准策略。
- 阅读关注点
- 应核对随机化方案对应的依赖结构、交叉拟合及学习器条件，以及保证效率增益、广泛适用性和联合校准的具体前提。
- 阅读边界
- 仅据所给 Crossref 摘要，不能认定任意机器学习方法或随机化方案均有效；保证效率增益的条件及实际改进幅度未说明。
原文摘要
Abstract In randomized clinical trials, adjusting for baseline covariates can improve credibility and efficiency for demonstrating and quantifying treatment effects. This article studies the augmented inverse propensity weighted estimator, which is a general form of covariate adjustment that uses linear, generalized linear and nonparametric or machine learning models for the conditional mean of the response given covariates. Under covariate-adaptive randomization, we establish general theorems that show a complete picture of the asymptotic normality, efficiency gain and applicability of augmented inverse propensity weighted estimators. In particular, we provide for the first time a rigorous theoretical justification of using machine learning methods with cross-fitting for dependent data under covariate-adaptive randomization. Based on the general theorems, we offer insights on the conditions for guaranteed efficiency gain and universal applicability under different randomization schemes, which also motivate a joint calibration strategy using some constructed covariates after applying augmented inverse propensity weighted estimators.