Robust and Data-Adaptive Integration of Nonconcurrent Data in Platform Trials via Gaussian Processes
通过高斯过程稳健、自适应地整合平台试验非同期数据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：摘要直接研究平台试验治疗效应估计及非同期对照引入的偏差。
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…
通过高斯过程稳健、自适应地整合平台试验非同期数据
- 研究问题
- 平台试验中，如何利用非同期参与者数据提高治疗效应估计效率，同时控制时间趋势导致的偏差并量化整合后的不确定性？
- 方法与思路
- 作者利用时间平滑性建立单任务和多任务高斯过程框架，通过与核岭回归的联系解释数据整合，并扩展至离散结局及协变量调整。
- 材料陈述的贡献
- 摘要称，纳入非同期对照降低治疗效应后验方差，偏差受非递增界控制；另提供基于 SURMOUNT-1 的假想示例及 R 包。
- 阅读关注点
- 应核对时间平滑假设、核函数与超参数选择、偏差界成立条件，以及后验方差下降能否对应有效的频率学覆盖表现。
- 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；摘要未说明保证的具体条件，假想平台试验也不等于真实设计验证。
原文摘要
A platform trial is an innovative clinical trial design that enables simultaneous and continuous evaluation of multiple treatments within a single master protocol. Existing robust methods restrict analyses to concurrently randomized participants due to concerns that including nonconcurrent data may introduce bias from temporal trends. However, this exclusion represents a missed opportunity to improve efficiency. We propose a Gaussian process framework for incorporating nonconcurrent data that exploits temporal smoothness, a key feature of platform trials. The framework includes single-task and multi-task formulations and provides data-adaptive integration of nonconcurrent data with uncertainty quantification. The connection to kernel ridge regression yields a transparent frequentist interpretation of how nonconcurrent data are integrated. We establish two theoretical guarantees: incorporating nonconcurrent controls reduces the posterior variance of the treatment effect, and the resulting bias is controlled by a non-increasing bound. We extend the framework to discrete outcomes and to covariate adjustment, illustrate it on a hypothetical platform trial constructed from SURMOUNT-1, and provide an implementation in the R package RobinCID.