The Complex Estimand of Clone-Censor-Weighting When Studying Treatment Initiation Windows
研究治疗启动时间窗时克隆—删失—加权法的复杂估计对象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：摘要研究观察数据中的动态治疗方案、潜在结局及逆概率删失加权的因果含义。
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…
研究治疗启动时间窗时克隆—删失—加权法的复杂估计对象
- 研究问题
- 在观察数据中用克隆—删失—加权法研究特定时间窗内启动治疗时，实际估计哪一种干预结局，暴露历史如何影响删失权重与偏差？
- 方法与思路
- 作者解析时间窗方案对应的假想干预：截止日前遵循研究人群的启动分布，尚未启动者在截止日启动，并分析忽略暴露历史的权重后果。
- 材料陈述的贡献
- 摘要称，治疗启动时间分布是解释结果的关键；效应随时间变化时，忽略暴露历史可能对应不可能实施的干预并产生选择偏差。
- 阅读关注点
- 应核对克隆、人工删失和权重如何定义目标干预，检查暴露历史进入权重模型的方式，以及哪些简化假设能改善解释并允许所有人贡献权重估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出完整识别及简化条件，也未量化偏差，不能将任意时间窗分析直接解释为固定时点治疗。
原文摘要
Clone-censor-weighting (CCW) is an analytic method for studying treatment regimens that are indistinguishable from one another at baseline without relying on landmark dates or creating immortal person time. One particularly interesting CCW application is estimating outcomes when starting treatment within specific time windows in observational data (e.g., starting a treatment within 30 days of hospitalization). In such cases, CCW estimates something fairly complex. We show how using CCW to study a regimen such as "start treatment prior to day 30" estimates the potential outcome of a hypothetical intervention where A) prior to day 30, everyone follows the treatment start distribution of the study population and B) everyone who has not initiated by day 30 initiates on day 30. As a result, the distribution of treatment initiation timings provides essential context for the results of CCW studies. We also show that if the exposure effect varies over time, ignoring exposure history when estimating inverse probability of censoring weights (IPCW) estimates the risk under an impossible intervention and can create selection bias. Finally, we examine some simplifying assumptions that can make this complex treatment effect more interpretable and allow everyone to contribute to IPCW.