跳转至

Power and Sample Size Calculations for Hybrid Controlled Trials

作者: Ke Zhu, Shu Yang, Xiaofei Wang
主题: 因果推断
相关性: 7/10
链接: https://arxiv.org/abs/2608.26475

一、领域脉络与小综述

这个方向是什么

混合对照试验（Hybrid Controlled Trial, HCT）是一种将随机对照试验（RCT）的内部对照与来自历史试验或真实世界数据的外部对照（External Control, EC）相结合的试验设计。其根本的统计问题是：在计划阶段，如何确定RCT所需的最小样本量，使得在给定的显著性水平和功效下，能够检测到预设的治疗效应。核心挑战在于，EC的“质量”（即可比性）在计划阶段是未知的，而它直接决定了从EC中能“借用”多少信息，从而影响所需的RCT样本量。当前，该子方向正处于从“事后分析”向“前瞻性设计”过渡的阶段，方法学上仍不成熟。

发展脉络

  1. 奠基工作与早期探索：HCT的概念可追溯到Pocock (1976)提出的结合随机与历史对照的想法。早期工作主要关注事后分析，即如何在已有数据中借用EC来提升效率。Ventz et al. (2022) 在《Nature Communications》上系统性地提出了HCT的设计与评估框架，通过模拟和真实数据展示了其潜在优势，标志着该领域从概念走向了系统化方法。这篇论文被本文作者引用为HCT的“潜在解决方案”的出处。

  2. 分析方法的大发展（当前frontier之一）：近年来，大量工作聚焦于HCT的分析阶段，即如何构建稳健且高效的估计量。这形成了两条主要子线索：

    • 基于因果推断的估计量：包括逆概率加权（IPW）（Valancius et al., 2024）、增强IPW（AIPW）（Li et al., 2023）、目标最大似然估计（TMLE）（Valancius et al., 2024）和增强校准加权（ACW）（Gao et al., 2025a）。这些方法通过调整协变量分布差异（covariate shift）和/或结局漂移（outcome drift）来减少偏倚。本文作者在引言中将其定位为“分析阶段”可用的高效工具。
    • 贝叶斯动态借用：通过先验或借用模型（如Zhang et al., 2022; Bi et al., 2023; Chen et al., 2024; Tian et al., 2025）来刻画从EC中借用的信息量（通常用有效样本量表示）。本文作者指出，这些方法在计划阶段需要指定先验或借用模型，这本身就是一个挑战。

  3. 前瞻性样本量计算的缺口（本文的位置）：尽管分析方法蓬勃发展，但前瞻性的样本量确定方法仍然相对有限。这是本文要填补的核心缺口。已有的尝试包括：

    • 贝叶斯方法：如上述，需要指定先验/借用模型。
    • 频率学派方法：Gao et al. (2025c) 的方法需要指定完整的采样倾向得分函数（sampling propensity score function），这在计划阶段很难做到。
    • 自适应方法：Guo et al. (2024) 和 Kojima et al. (2026) 的方法依赖期中数据来调整借用量或重新评估样本量，属于“事后”或“自适应”调整，而非纯粹的前瞻性计算。
    • 最接近的工作：Liu et al. (2026a) 为观察性研究提出了一个基于标量参数的样本量框架。本文作者明确指出，他们的工作与Liu et al. (2026a)最相关，但有三点不同：①扩展到HCT需要处理RCT和EC数据结合的独特识别假设和加权结构；②改进了倾向得分分布的数值校准方法；③为二元结局推导了独立的公式。

子线索聚类

  1. 贝叶斯动态借用：以Zhang et al. (2022), Bi et al. (2023), Chen et al. (2024), Tian et al. (2025)为代表。核心思路是通过先验分布（如元分析预测先验）来量化EC与RCT的可交换性，并据此调整借用的信息量。其优势在于能自然地处理不确定性，但挑战在于先验的指定本身就需要大量信息。

  2. 频率学派因果推断：以Li et al. (2023), Valancius et al. (2024), Gao et al. (2025a)为代表。核心思路是将EC借用问题视为一个因果推断问题，通过IPW、AIPW、TMLE等估计量来调整可观测的协变量差异。其优势在于有成熟的渐近理论支持，但挑战在于对不可观测的混杂或结局漂移的鲁棒性。

  3. 自适应/期中调整设计：以Guo et al. (2024), Kojima et al. (2026)为代表。核心思路是在试验进行中，利用累积的数据来动态调整样本量或借用策略。其优势在于能纠正计划阶段的错误假设，但挑战在于增加了设计和操作的复杂性。

这个方向在追问的核心问题

  1. 如何参数化EC的可比性？ 在计划阶段，无法观测到EC与RCT对照的可比性。需要一个简洁、可解释、且能驱动样本量计算的参数化方案。
  2. 如何将EC的可比性映射到估计量的方差？ 给定EC可比性的参数化描述，能否推导出治疗效应估计量的渐近方差表达式，使其仅依赖于这些参数和常规的RCT设计参数？
  3. 如何平衡信息需求与计算简便性？ 更高效的估计量（如AIPW）能提供更小的方差，但其方差表达式依赖于更复杂的结局模型信息，这在计划阶段难以获取。如何在信息有限的情况下，选择一个“够用”的估计量（如IPW）并完成样本量计算？
  4. 如何处理结局漂移？ 即使协变量分布可比，EC的结局分布也可能因时间、医疗实践变化等原因与RCT不同。如何在样本量计算中预先考虑这种风险？

⚠️ 作者的framing

  • 作者把缺口frame成什么：作者将缺口定位为“缺乏一个前瞻性的、基于少量可解释标量参数的HCT样本量方法”。他们通过对比表1（Table 1）清晰地展示了现有方法要么需要完整函数（Gao et al., 2025c），要么依赖期中数据（Guo et al., 2024; Kojima et al., 2026），要么需要指定先验（贝叶斯方法），从而凸显了其“5+3”设计的简洁性和前瞻性。
  • 哪些竞争路线被他淡化或回避了：
    • 高效估计量（AIPW, TMLE）：作者在Remark 2中明确承认这些方法可能提供更大的功效，但以“需要额外的结局模型信息”为由，将其定位为“互补”而非“替代”。这淡化了它们在分析阶段的优势，以突出IPW在计划阶段的可行性。
    • 贝叶斯方法：作者在引言中将其描述为“通过先验或借用模型刻画有效样本量”，但未深入讨论其优势（如自然处理不确定性），而是将其归入“需要额外信息”的类别。
    • 自适应设计：作者在讨论部分（Section 6）将其作为未来方向（“a hybrid strategy that begins with the proposed prospective calculation and prespecifies a blinded sample-size reassessment”），承认其价值，但将其定位为对当前框架的补充，而非替代。
  • 什么明显该被引/该存在、却没出现在intro里？：作者引用了大量关于HCT分析方法的文献，但似乎没有引用任何关于非参数或半参数效率界（semiparametric efficiency bound） 在HCT设定下的具体推导工作。虽然引用了Li et al. (2023)和Valancius et al. (2024)等高效估计量，但并未深入讨论HCT设定下的效率界本身。这可能是作者有意为之，因为他们的IPW估计量通常不是半参数有效的，讨论效率界会凸显其方法的局限性。对于一位对效率理论感兴趣的研究者，这是一个值得去查的缺口：HCT设定下的半参数效率界是什么？它如何依赖于EC的可比性参数？

张力

未见明显对立引用。所有被引工作都认同“EC借用能提升效率，但需谨慎处理可比性”这一核心共识。不同方法之间的差异主要体现在“如何处理可比性”和“在哪个阶段（设计/分析）处理”上，而非根本性的矛盾。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • S：指示变量，S=1表示该个体来自RCT，S=0表示来自外部对照（EC）。
    • A：处理指示变量，A=1表示接受新治疗，A=0表示接受对照。
    • Y：观测到的结局变量。
    • X：协变量向量。
    • Y(1), Y(0)：潜在结局，分别表示接受治疗和对照时的结局。
    • τ：目标估计量（estimand），即RCT人群中的平均处理效应（ATE），τ = E[Y(1) | S=1] - E[Y(0) | S=1]。
    • θ_a：RCT人群中，接受处理a时的平均潜在结局，θ_a = E[Y(a) | S=1]。
    • π_S(X)：采样倾向得分（sampling propensity score），即给定协变量X下，个体属于RCT的概率，π_S(X) = Pr(S=1 | X)。
    • π_A：RCT内部的处理分配比例，π_A = Pr(A=1 | S=1)，是已知的设计参数。
    • n_RCT, n_EC：RCT和EC的样本量。
    • w_1, w_0：用于估计θ_1和θ_0的逆概率权重。

  • 模型：

    • 数据生成机制：数据来自两个人群的混合：RCT（S=1）和EC（S=0）。在RCT内部，处理A是随机分配的。在EC中，所有个体都接受对照（A=0）。
    • 识别假设：
      1. SUTVA：个体间无交互，且观测到的结局等于其潜在结局（Y = Y(A)）。
      2. RCT内的无混淆性：在RCT中，给定X，潜在结局与处理分配独立。
      3. 条件均值可交换性：给定X，RCT和EC中对照组的潜在结局均值相等，即E[Y(0) | S=1, X] = E[Y(0) | S=0, X]。这是EC可借用的核心假设，排除了“结局漂移”。
      4. 采样正性：对于所有可能的X，π_S(X) > 0，即EC人群与RCT人群有重叠。
    • 待估对象：τ。

  • 可观测数据：

    • 我们能观测到的是(S, A, Y, X)的独立同分布样本。
    • 对于RCT个体（S=1），我们能观测到(A, Y, X)，其中A是随机分配的。
    • 对于EC个体（S=0），我们能观测到(Y, X)，且我们知道A=0。
    • 想要但观测不到的：在计划阶段，我们无法观测到EC与RCT对照的可比性（即E[Y(0) | S=1, X]与E[Y(0) | S=0, X]的差异）。我们只能通过假设（如条件均值可交换性）来“识别”它。

第二步：讲最小内核

本文的核心思路是：将EC的可比性浓缩为三个标量参数，并证明在这些参数下，IPW估计量的渐近方差可以被解析地表达出来，从而支持样本量计算。

最简特例：连续结局，完美重叠（φ=1），且ρ=0

在这个最简特例下，EC与RCT的协变量分布完全相同（φ=1），且协变量与对照结局无关（ρ=0）。这意味着： * π_S(X) ≡ π_S，是一个常数，等于RCT在总样本中的比例。 * E[Y(0) | X] = θ_0，是一个常数，与X无关。

在这个特例下，核心问题退化成什么？

IPW估计量退化为一个简单的加权平均。对于对照组，权重w_0简化为： w_0 = π_S / (1 - π_A * π_S)，也是一个常数。 因此，θ_0的估计就是所有对照个体（包括RCT对照和EC）的Y的加权平均。由于权重是常数，这等价于一个简单的合并样本均值。

证明怎么走？

根据Theorem 1，方差V_0的表达式（公式1）简化为： V_0 = (1 / π_S^2) * E[ (π_S^2 / (1 - π_A * π_S)) * (Y(0) - θ_0)^2 ] 由于π_S是常数，且E[(Y(0) - θ_0)^2] = σ_Y^2（对照结局方差），我们得到： V_0 = σ_Y^2 / (1 - π_A * π_S)

类似地，处理组方差V_1 = σ_Y^2 / (π_A * π_S)。

因此，总方差V = V_1 + V_0 = σ_Y^2 * [1/(π_A * π_S) + 1/(1 - π_A * π_S)]。

为什么成立？

这个方差公式与一个“虚拟RCT”的方差公式形式相同。这个“虚拟RCT”的样本量为n_RCT + n_EC，但处理组比例不再是π_A，而是π_A * π_S（因为只有RCT中的个体才可能接受治疗）。EC的加入，相当于增加了对照组的样本量，从而降低了V_0。当π_S很小时（即EC样本量远大于RCT），V_0趋近于σ_Y^2，即EC几乎提供了所有对照信息。

本文的一般情形只是它的“加壳”： * 加壳1（φ < 1）：当协变量分布不完全重叠时，π_S(X)不再是常数。IPW通过给每个EC个体赋予不同的权重来调整这种分布差异。这导致V_0的表达式变得复杂，需要知道π_S(X)的分布。作者通过引入φ和正态性假设来参数化这个分布。 * 加壳2（ρ ≠ 0）：当协变量与对照结局相关时，E[(Y(0) - θ_0)^2 | X]不再是常数。IPW权重的调整会放大或缩小不同X下结局变异对方差的贡献。作者通过引入ρ来参数化这种关联。 * 加壳3（二元结局）：当结局是二元时，E[(Y(0) - θ_0)^2 | X]与E[Y(0) | X]直接相关（因为Var(Y) = E[Y](1-E[Y])）。作者通过一个逻辑模型来参数化E[Y(0) | X]与π_S(X)的关系。

因此，整篇论文的核心数学贡献是：在φ和ρ这两个标量参数以及一些工作模型（正态性、线性/逻辑模型）下，将复杂的IPW方差表达式V_0解析地表示为这些参数的函数，从而绕开了对完整协变量分布和结局模型的需求。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：为混合对照试验（HCT）提出了一套前瞻性的样本量计算方法，解决了计划阶段EC可比性未知的难题。
  2. 核心工具/方法：提出了“5+3”设计框架，即5个常规RCT设计参数加上3个描述EC可比性的标量参数（无结局漂移的EC数量n_EC、重叠系数φ、相关系数ρ），并基于IPW估计量的渐近分布推导了样本量公式。
  3. 主要结论：在提出的工作模型下，IPW估计量的渐近方差完全由这8个设计参数决定，从而可以计算达到目标功效所需的RCT样本量。模拟和真实数据应用验证了该方法的有效性。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 估计量：采用Hájek型IPW估计量（公式2），即用权重之和进行归一化，而非Horvitz-Thompson型。作者在Remark 1中说明，计划阶段使用“神谕”倾向得分（oracle propensity score），分析阶段则需估计。
  • 关键假设：
    • Assumption 1 (RCT的识别假设)：SUTVA、无混淆性、处理正性。这是RCT的标准假设。
    • Assumption 2 (EC的SUTVA)：EC个体的观测结局等于其对照潜在结局。这排除了EC中可能存在其他处理的情况。
    • Assumption 3 (条件均值可交换性)：E[Y(0) | S=1, X] = E[Y(0) | S=0, X]。这是EC可借用的核心假设，即排除了“结局漂移”。作者在Remark 6中承认，这个假设在计划阶段无法验证，并建议通过敏感性分析或选择性借用方法来处理。
    • Assumption 4 (采样正性)：π_S(X) > 0。确保每个EC个体都有非零概率被纳入RCT，这是IPW估计的基础。
    • Theorem 1的额外假设：
      1. E[Y(a)^2 | S=1] < ∞：标准矩条件。
      2. 条件二阶矩可传输性：E[(Y(0)-θ_0)^2 | X, S=1] = E[(Y(0)-θ_0)^2 | X, S=0]。这是一个更强的假设，用于获得一个简洁的方差表达式。作者在Remark 3中承认，如果放松此假设，方差表达式会更复杂，需要额外的设计参数。
  • 工作模型：
    • 采样模型：logit(π_S(X)) = X^T γ，且线性得分W = X^T γ服从正态分布N(μ_W, σ^2_W)。这是将φ和π_S映射到π_S(X)分布的关键桥梁。
    • 结局模型：
      • 连续结局：Y(0) = a + bW + ε，其中ε均值为0，方差为σ^2_ε，且与W和S独立。这是同方差线性模型。
      • 二元结局：logit(E[Y(0) | W]) = a + bW。这是逻辑模型。
  • 相比已有文献的放宽或强化：
    • 放宽：相比Gao et al. (2025c)需要指定完整的π_S(X)函数，本文只需指定其分布的标量摘要（φ和π_S），大大降低了计划阶段的信息需求。
    • 强化：相比Liu et al. (2026a)的观察性研究框架，本文需要处理RCT和EC数据结合的独特结构，并引入了n_EC这个参数来明确刻画“无结局漂移”的EC数量。此外，本文对φ的数值校准方法进行了改进。

主要结果

  • Theorem 1 (IPW估计量的渐近正态性)：在识别假设和二阶矩条件下，√n(τ̂ - τ) → N(0, V)，其中V = V_1 + V_0。V_1和V_0的表达式由公式(1)给出。这个定理是后续所有样本量计算的基础。它证明了方差可以分解为处理组和对照组两部分，且V_0依赖于π_S(X)和Y(0)的条件二阶矩。
  • Theorem 2 (二元结局的对照组方差)：在逻辑结局模型下，V_0可以表示为(θ_0, ρ, π_S, π_A, φ, n_EC)的函数（公式4）。其中参数(a, b)由(θ_0, ρ)通过公式(5)和(6)确定。这个定理将抽象的方差表达式与可解释的设计参数联系了起来。
  • Theorem 3 (连续结局的对照组方差)：在线性同方差结局模型下，V_0可以表示为(σ^2_Y, ρ, π_S, π_A, φ, n_EC)的函数（公式8）。其中κ是一个由(ρ, σ^2_W, σ^2_{W,1})导出的量。同样实现了方差与设计参数的映射。

核心贡献：Theorem 2和3是本文的技术核心。它们证明了，在合理的工作模型下，复杂的IPW方差可以被解析地表达为少数几个标量设计参数的函数。这使得样本量计算变得可行，无需模拟或数值积分复杂的多维分布。

证明路线与技术技巧

  • 整体路线：

    1. 建立渐近线性表示：证明√n(τ̂ - τ)可以表示为影响函数φ_1(O) - φ_0(O)的样本均值加上一个o_p(1)项。这一步是标准的M-估计理论。
    2. 计算影响函数的方差：分别计算Var(φ_1(O))和Var(φ_0(O))。由于w_1 * w_0 = 0，协方差为0，总方差即为两者之和。
    3. 简化Var(φ_0(O))：利用条件均值可交换性和条件二阶矩可传输性，将Var(φ_0(O))简化为E[π_S(X)^2 / (1 - π_A π_S(X)) * (Y(0) - θ_0)^2]。这是公式(1)的V_0。
    4. 参数化V_0：这是最关键的跳跃。作者通过引入工作模型（正态采样模型、线性/逻辑结局模型），将V_0中的随机变量π_S(X)和(Y(0) - θ_0)^2替换为设计参数(φ, ρ, θ_0/σ^2_Y, π_A, π_S)的函数。具体来说：
      • 用(π_S, φ)确定W的分布N(μ_W, σ^2_W)。
      • 用(θ_0, ρ)（或(σ^2_Y, ρ)）确定结局模型参数(a, b)。
      • 将π_S(X) = expit(W)和E[(Y(0)-θ_0)^2 | W]（由结局模型给出）代入V_0的表达式，得到一个关于W的期望，该期望可以通过数值积分计算。

  • 关键跳跃点：

    • 从V_0的通用表达式到参数化表达式：这是最吃功夫的地方。难点在于如何用两个标量参数(φ, ρ)和一个已知的π_S来完全刻画π_S(X)的分布以及它与Y(0)的关系。作者通过假设W正态和结局模型（线性/逻辑）来“闭合”这个系统，使得(φ, ρ)与(μ_W, σ^2_W, a, b)之间存在一一对应关系。
    • (π_S, φ)到(μ_W, σ^2_W)的映射：π_S = E[expit(W)]和φ = E[sqrt(expit(W)(1-expit(W)))] / sqrt(π_S(1-π_S))是两个关于(μ_W, σ^2_W)的非线性方程。作者采用了两步法：先用Liu et al. (2026a)的Beta分布近似得到初值，再进行数值精炼。这个技巧确保了数值稳定性。
    • (θ_0, ρ)到(a, b)的映射（二元结局）：θ_0 = (1/π_S) * E[expit(W) * expit(a+bW)]和ρ = Cov(W, expit(a+bW)) / (σ_W * sqrt(Var(expit(a+bW))))。这又是一个非线性方程组，需要数值求解。

  • 技术技巧点名：

    • 影响函数（Influence Function）：用于推导渐近方差的标准半参数工具。
    • Hájek型IPW估计：使用归一化权重，相比Horvitz-Thompson型有更好的有限样本性质。
    • Bhattacharyya系数：作为重叠系数φ，用于量化两个分布的重叠程度。
    • Logit-Normal分布：假设线性倾向得分的logit服从正态分布，这是一个在贝叶斯统计中常用的灵活分布族。
    • 数值积分：用于计算V_0的期望，因为解析解通常不存在。
    • 非线性方程组的数值求解：用于从(π_S, φ)和(θ_0, ρ)反解出分布参数。

真实例子与应用

  • 用的什么数据/场景：INJeCT-LUNG随机II期试验，针对可切除的IB-IIIB期非小细胞肺癌。实验组在标准新辅助化疗+免疫检查点抑制剂的基础上，增加瘤内大表面积微粒紫杉醇。主要终点是48个月无事件生存期（EFS）。
  • 怎么把本文方法用上去：作者将48个月EFS状态作为二元结局。从试验方案中提取了5个常规参数（对照组的48个月EFS率θ_0=0.485，绝对治疗效应τ=0.118，3:1随机化，单侧α=0.10，目标功效80%）。然后，根据可用的EC数据（来自CheckMate 816和CheckMate 77T试验），设定了3个HCT特定参数：n_EC=300（假设所有EC都无结局漂移），φ=0.90（假设协变量分布有较好重叠），ρ=0.20（假设区分RCT和EC的协变量方向与对照结局有中等相关性）。
  • 得到什么结果：在主要假设下，计算出的最小整数RCT样本量为173。考虑到3:1随机化的分组块大小，推荐随机化176人（132人实验组，44人对照组），此时渐近功效为80.4%。
  • 这个例子想说明什么：
    1. 实用性：展示了如何将抽象的“5+3”参数与真实的临床试验方案和EC数据联系起来，并给出具体的样本量建议。
    2. 敏感性：通过附录中的敏感性分析（Table 6和7），展示了n_EC、φ和ρ的变化如何影响所需样本量。例如，当φ从0.90下降到0.80时，所需样本量从176增加到220，强调了重叠系数的重要性。
    3. 局限性：作者明确指出，该计算未考虑删失（因为使用了二元EFS状态而非时间-事件数据），因此可能低估了所需样本量。这为未来工作指明了方向。

🔎 结论是否比证明窄

  • 是。作者在Remark 1中承认，计划阶段使用“神谕”倾向得分，而分析阶段需要估计。模拟显示，使用估计的倾向得分时，经验功效略高于理论功效，但方差更小（导致覆盖更保守）。这表明，严格证明的结论（基于神谕得分的方差）可能比实际分析中的情况更保守。作者没有提供一个修正的方差公式来精确刻画估计倾向得分带来的影响。
  • 是。Theorem 1的证明依赖于条件二阶矩可传输性这个强假设。作者在Remark 3中承认，如果放松此假设，方差表达式会更复杂。因此，论文中简洁的方差公式（公式1）的严格证明范围比其声称的“适用于HCT”要窄，它只适用于满足该二阶矩假设的EC。
  • 是。Theorem 2和3的证明依赖于特定的工作模型（正态W、线性/逻辑结局）。作者在Remark 7中承认，正态性假设可能不成立，但模拟显示对混合连续/二元协变量导致的轻度非正态性具有鲁棒性。因此，结论的严格性依赖于这些工作模型的正确性，而论文并未提供对这些模型误设的理论保证。

四、开放问题

  1. 扩展到更高效的估计量：本文仅针对IPW估计量。作者在Remark 2中指出，AIPW、TMLE等高效估计量可能提供更大功效，但其方差依赖于额外的结局模型信息。一个开放问题是：能否为AIPW或TMLE估计量开发出类似的、基于少量标量参数的样本量公式？（扎根于Remark 2和Section 6的“extending the framework to more efficient estimators”）。

  2. 处理删失的生存结局：本文的二元结局处理是对生存结局的简化。作者在真实数据应用中承认了这一点，并在Section 6中将其列为未来工作。一个开放问题是：如何将“5+3”框架扩展到时间-事件结局，使其能直接处理删失？（扎根于Section 5的“does not account for censoring”和Section 6的“extending the sample-size calculation to time-to-event outcomes”）。

  3. 对结局漂移的敏感性分析：本文的框架依赖于“无结局漂移”的假设（Assumption 3）。作者在Remark 6中建议通过敏感性分析来评估其影响。一个开放问题是：能否开发一个正式的、基于“5+3”参数的敏感性分析框架，量化不同程度的结局漂移对所需样本量和功效的影响？（扎根于Remark 6和Section 6的“reporting drift tipping points or other sensitivity analyses”）。

  4. 自适应样本量重估的整合：作者在Section 6中提出，可以将前瞻性计算与期中盲态样本量重估相结合。一个开放问题是：如何将“5+3”框架与Guo et al. (2024)或Kojima et al. (2026)的自适应设计方法进行理论上的整合，形成一个统一的、既能前瞻性计划又能自适应调整的设计流程？（扎根于Section 6的“a hybrid strategy that begins with the proposed prospective calculation and prespecifies a blinded sample-size reassessment”）。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论