跳转至

Inclusive designs that allow the inclusion of a broader population in randomized controlled trials: An evaluation of randomization ratio and analysis strategy

作者: Kim May Lee, Ziyan Wang, Richard Emsley, Nigel Stallard
来源: Statistical Methods in Medical Research
主题: 因果推断
相关性: 5/10
机构绿灯: University of Warwick(US News 前 50,免分进入精读)
链接: https://doi.org/10.1177/09622802261475687


一、领域脉络与小综述

这个方向是什么

本文所处的子方向是临床试验的设计与分析策略,具体聚焦于"包容性设计"(inclusive design)——即允许参与者仅对部分试验臂合格、而非要求其对所有臂均合格,从而扩大可入组人群。其根本的统计问题是:当参与者被分层为不同合格性子群体(subpopulation)时,如何设计随机化比例(randomization ratio)并选择分析策略,使得对总体治疗效应的估计具有可接受的偏差、方差与错误率控制。该方向当前处于方法学探索阶段:已有若干创新性试验设计被提出(如平台试验、个性化随机对照试验),但对包容性设计下随机化比例与分析策略的系统评估尚属空白。

发展脉络(history)

作者在引言中勾勒的领域发展线索如下:

  • 奠基工作——多臂试验的优势:Freidlin et al. (2008) [1] 系统论述了多臂随机对照试验相对于多个独立双臂试验的优势,包括共享对照组、降低总样本量、加速入组等。这为后续多臂设计的变体提供了基础框架。
  • 主要进展——平台试验与个性化设计的兴起:RECOVERY [6] 和 REMAP-CAP [7] 等平台试验在实际应用中展示了动态添加/移除试验臂的可行性;Walker et al. (2021) [8] 提出的个性化随机对照试验设计进一步允许不同参与者被随机化到不同的臂集合。这些工作共同确立了"差异化随机化"(differential randomization)的实践基础。
  • 当前 frontier——设计变体的方法学评估:Lee et al. (2023) [10] 对个性化随机对照试验设计进行了模拟评估,比较了不同分析方法的排序准确性;Turner et al. (2024) [11] 则从样本量确定角度探讨了该设计的效率。这些工作开始触及设计参数(如随机化比例)与分析策略的交互,但均未系统评估"包容性设计"这一特定变体。
  • 本文的位置:作者明确指出,"据我们所知,尚无研究从推断角度探讨包容性设计的随机化比例与分析策略"(引言第 3 段)。本文填补的正是这一空白——在简化三臂设计下,通过模拟系统比较多种分析策略的偏差、方差与错误率控制。

子线索聚类

被引文献大致落在三条子线索上:

  1. 多臂试验的设计优势与挑战([1], [2], [3], [4]):讨论多臂试验的入组效率、外部效度、以及严格合格标准对入组率的限制。这一线索为包容性设计的动机提供了依据。
  2. 平台试验与自适应设计的实践([5], [6], [7], [12]):展示差异化随机化在真实试验中的实施方式,包括 RECOVERY-RS 中因医院设备可用性导致的臂合格性差异,以及 Selukar et al. (2021) [12] 提出的分层随机化方法。
  3. 个性化/包容性设计的方法学评估([8], [9], [10], [11]):探讨允许部分合格参与者的设计变体的统计性质,包括排序准确性、样本量确定、以及非同期对照数据的利用。

这个方向在追问的核心问题

  1. 入组最大化与推断有效性之间的权衡:放宽合格标准能增加样本量,但可能引入子群体间的异质性,如何设计随机化比例以平衡二者?
  2. 分析策略的选择:当数据来自多个合格性子群体时,是采用配对分析(仅用相关子群体数据)、合并分析(用全部数据但调整子群体效应),还是元分析框架(分别估计后加权合并)?
  3. 错误率控制:在多重比较(两个研究比较)背景下,如何控制家庭wise错误率(FWER)?

已知瓶颈:现有文献对包容性设计缺乏系统的模拟评估;对子群体间协变量-结局关系异质性如何影响推断性质缺乏认识;对随机化比例的最优选择缺乏理论指导。

⚠️ 作者的 framing(这是作者的说法)

作者将缺口 frame 为:"包容性设计虽已在实践中被采用(如 RECOVERY-RS),但其随机化比例与分析策略的统计性质尚未被系统评估"(引言第 3 段)。作者将本文定位为"首次从推断角度评估包容性设计的随机化比例与分析策略"(摘要)。作者淡化的竞争路线包括:(a) 贝叶斯自适应设计(仅在讨论中提及);(b) 基于因果推断框架(如 IPW 或 G-computation)的正式识别分析——作者仅使用线性回归模型,未讨论非参数识别条件。

值得研究者去查的问题:引言中未提及的明显相关文献包括:(a) 关于"部分合格"设计的因果推断形式化(如 principal stratification 框架下的处理效应识别);(b) 关于随机化比例最优化的理论结果(如 Neyman allocation 的推广);(c) 关于子群体异质性检验的文献(如 Simes 检验在子群体分析中的应用)。这些缺席可能意味着作者有意将范围限定在简化模拟评估,也可能反映了文献空白。

张力

未见明显对立引用。但存在一个潜在张力:Lee et al. (2023) [10] 对个性化设计的评估侧重于排序准确性,而本文侧重于假设检验的错误率控制——两者对"最优设计"的定义可能不同。此外,[23](Lee & Wason, 2020)关于非同期对照数据利用的结论(严格错误率控制下效率增益有限)与本文中 PWb 方法(借用额外对照组数据)的效率增益发现之间存在微妙关系,但作者未直接讨论。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

符号清单(按类别):

记号 含义 类别
\(A, B, C\) 三个试验臂:\(A\)=对照(安慰剂),\(B\)=干预1(如 hyoscine),\(C\)=干预2(如 glycopyrrolate) 试验臂标签
\(k = 1, 2\) 子群体索引:\(k=1\) 对所有臂合格,\(k=2\) 仅对 \(\{A, C\}\) 合格 子群体标签
\(f\) 子群体 1 的患病率(prevalence rate),\(0<f<1\) 总体参数(已知或需估计)
\(n_{jk}\) 子群体 \(k\) 中分配到臂 \(j\) 的样本量 设计参数
\(N\) 总样本量,\(N = n_{A1}+n_{B1}+n_{C1}+n_{A2}+n_{C2}\) 设计参数
\(y_{ijk}\) 参与者 \(i\)(子群体 \(k\),臂 \(j\))的结局 可观测随机变量
\(X_{ijk}\) 参与者 \(i\) 的 \(m\) 维协变量向量 可观测随机变量
\(\Delta_{AB}, \Delta_{AC}\) 总体治疗效应:$\Delta_{AB} = E[Y B] - E[Y
\(\beta_B, \beta_C\) 回归模型中臂 \(B\)、\(C\) 的系数 模型参数(估计 \(\Delta\) 的载体)
\(\theta_0, \theta_c, \theta\) 截距、子群体效应、协变量系数 模型参数(nuisance)
\(\epsilon_{ijk}\) 残差,\(\epsilon_{ijk} \sim N(0, \sigma^2)\) 随机误差
\(\hat{\beta}_{1,C}, \hat{\beta}_{2,C}\) 子群体 1、2 中分别拟合模型得到的 \(C\) 臂系数估计 估计量
\(\hat{s}^2_1, \hat{s}^2_2\) 上述估计的抽样方差 估计量
\(Z_{1,C}, Z_{2,C}\) 对应的 t 统计量 检验统计量
\(\hat{\tau}^2\) 随机效应模型中的异质性方差估计 估计量

模型(数据生成机制):

对于子群体 \(k\) 中的参与者 \(i\) 接受臂 \(j\) 的结局:

\[y_{ijk} = \alpha_{jk} + f_k(X_{ijk}) + \epsilon_{ijk}, \quad \epsilon_{ijk} \sim N(0, \sigma^2)\]

其中 \(\alpha_{jk}\) 是子群体-臂特异均值,\(f_k(\cdot)\) 是子群体特异的协变量函数(在模拟中为线性)。关键:子群体 1 有 \(\alpha_{A1}, \alpha_{B1}, \alpha_{C1}\);子群体 2 只有 \(\alpha_{A2}, \alpha_{C2}\)(无 \(\alpha_{B2}\),因为子群体 2 的参与者不可能接受臂 \(B\))。

可观测数据: - 子群体 1:\(\{(y_{iA1}, X_{iA1}), (y_{iB1}, X_{iB1}), (y_{iC1}, X_{iC1})\}\),样本量 \(n_{A1}+n_{B1}+n_{C1} = Nf\) - 子群体 2:\(\{(y_{iA2}, X_{iA2}), (y_{iC2}, X_{iC2})\}\),样本量 \(n_{A2}+n_{C2} = N(1-f)\)

不可观测 / 潜在量: - 子群体 2 中参与者的反事实结局 \(Y_{iB2}\)(若被分配到臂 \(B\))——不可观测,因为子群体 2 的参与者对臂 \(B\) 不合格。 - 总体治疗效应 \(\Delta_{AB}\) 的定义涉及子群体 2 的反事实——这是识别问题的核心。

第二步:最小内核

最小设定:去掉协变量(\(m=0\))、去掉子群体 1 的臂 \(B\)(即只关注比较 \(C\) vs \(A\))、假设 \(f\) 已知、假设方差齐性 \(\sigma^2\) 已知。此时问题退化为:

  • 子群体 1:\(n_{A1}\) 个观测来自 \(N(\alpha_{A1}, \sigma^2)\),\(n_{C1}\) 个来自 \(N(\alpha_{C1}, \sigma^2)\)
  • 子群体 2:\(n_{A2}\) 个观测来自 \(N(\alpha_{A2}, \sigma^2)\),\(n_{C2}\) 个来自 \(N(\alpha_{C2}, \sigma^2)\)

目标:估计 \(\Delta_{AC} = f\Delta_{1,AC} + (1-f)\Delta_{2,AC}\),其中 \(\Delta_{1,AC} = \alpha_{C1} - \alpha_{A1}\),\(\Delta_{2,AC} = \alpha_{C2} - \alpha_{A2}\)。

核心困难:子群体 2 的参与者对臂 \(B\) 不合格,但对臂 \(C\) 合格。因此 \(\Delta_{2,AC}\) 是可识别的(用子群体 2 的数据),但 \(\Delta_{AB}\) 的总体效应无法定义——因为子群体 2 的参与者根本没有 \(\Delta_{AB}\) 的反事实。这就是包容性设计区别于传统多臂试验的本质:传统设计要求所有参与者对所有臂合格,因此所有治疗效应在所有子群体中可定义;包容性设计放松了这一要求,但代价是某些治疗效应仅在部分子群体中可识别。

最小命题:在最小设定下,考虑两种估计策略:

  1. 配对分析(PW0):只用子群体 1 的数据估计 \(\Delta_{1,AC}\),即 \(\hat{\Delta}_{1,AC} = \bar{y}_{C1} - \bar{y}_{A1}\)。方差为 \(\sigma^2(1/n_{C1} + 1/n_{A1})\)。
  2. 合并分析(PWg):用全部数据拟合模型 \(y = \theta_0 + \beta_C \mathbb{1}\{j=C\} + \theta_c \mathbb{1}\{k=2\} + \epsilon\),估计 \(\hat{\beta}_C\) 作为 \(\Delta_{AC}\) 的估计。

关键洞察:当 \(\Delta_{1,AC} = \Delta_{2,AC}\)(治疗效应同质)时,PWg 比 PW0 更高效,因为它利用了子群体 2 的数据。但当 \(\Delta_{1,AC} \neq \Delta_{2,AC}\)(治疗效应异质)时,PWg 的 \(\hat{\beta}_C\) 是加权平均,其权重取决于样本量分配,不一定等于 \(f\Delta_{1,AC} + (1-f)\Delta_{2,AC}\)——除非样本量分配恰好与 \(f\) 成比例。这就是本文模拟中观察到的偏差来源。

为什么这是最小内核:本文的所有方法(PW0、PWb、PWbg、PWf、PWMA、All)都是在这个最小设定上逐步加回协变量、加回臂 \(B\)、加回异质性后的变体。理解了"治疗效应异质性 × 样本量分配 → 合并估计的偏差"这一机制,就抓住了全文的核心。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在允许参与者仅对部分臂合格的三臂包容性设计中,评估不同随机化比例(D1、D2、D3)与不同分析策略(配对、合并、元分析)对治疗效应估计的偏差、方差、错误率控制与统计功效的影响。
  2. 核心工具 / 方法:大规模模拟研究(10,000 次重复),比较 8 种分析策略在 6 种效应场景下的表现;策略涵盖配对回归、合并回归(含/不含子群体交互)、基于患病率的加权合并、元分析框架。
  3. 主要结论:当子群体间协变量-结局关系同质时,合并分析(All)和元分析(PWMA)表现最佳;当关系异质时,配对分析(PW0)和基于患病率的加权合并(PWf)更稳健;随机化比例 D2(子群体内等比例分配)在多数场景下优于 D1(跨臂等比例分配)。

关键设定与假设

完整设定(在最小内核基础上):

  • 设计:三臂(\(A\)=对照,\(B\)=干预1,\(C\)=干预2),两个子群体。子群体 1 对所有臂合格(\(R_1 = \{A,B,C\}\)),子群体 2 仅对 \(\{A,C\}\) 合格(\(R_2 = \{A,C\}\))。
  • 随机化比例:
  • D1:跨臂等比例(每臂 100 人),子群体 1 内 \(n_{A1}:n_{B1}:n_{C1} = 100:100:100\),子群体 2 内 \(n_{A2}:n_{C2} = 30:30\)(注意:\(n_{A1}+n_{A2} = 130\),\(n_{C1}+n_{C2} = 130\),\(n_{B1} = 100\),总 \(N=300\))
  • D2:子群体内等比例(\(n_{A1}:n_{B1}:n_{C1} = 80:80:80\),\(n_{A2}:n_{C2} = 30:30\),总 \(N=300\))
  • D3:子群体 2 中对照臂概率 1/3(\(n_{A1}:n_{B1}:n_{C1} = 80:80:80\),\(n_{A2}:n_{C2} = 20:40\),总 \(N=300\))
  • 协变量:3 个(年龄、HADS 焦虑、HADS 抑郁),多元正态,均值 \((38.7, 4.6, 5.8)\),协方差矩阵给定(对角 122, 2.92, 2.42,非对角 0.15, 0.02, 0.25)。
  • 结局:正态,\(\sigma^2 = 1\)。子群体 1:\(y_{ij1} = \alpha_{1j} + f_1(X) + \epsilon\);子群体 2:\(y_{ij2} = \alpha_{2j} + f_2(X) + \epsilon\)。
  • 效应场景(表 2):
  • S0.1:\(\alpha_{1A} = \alpha_{2A} = 0\)(同质安慰剂),\(\Delta_{1,AC} = \Delta_{2,AC} = 0\)(零效应)
  • S0.2:\(\alpha_{1A} = 0, \alpha_{2A} = 0.2\)(异质安慰剂),\(\Delta_{1,AC} = \Delta_{2,AC} = 0\)
  • S1.1:\(\alpha_{1A} = \alpha_{2A} = 0\),\(\Delta_{1,AC} = \Delta_{2,AC} = 0.5014\)(同质正效应)
  • S1.2:\(\alpha_{1A} = \alpha_{2A} = 0\),\(\Delta_{1,AC} = 0.5014, \Delta_{2,AC} = 0.2507\)(异质效应)
  • S2.1:\(\alpha_{1A} = 0, \alpha_{2A} = 0.2\),\(\Delta_{1,AC} = \Delta_{2,AC} = 0.5014\)(异质安慰剂 + 同质效应)
  • S2.2:\(\alpha_{1A} = 0, \alpha_{2A} = 0.2\),\(\Delta_{1,AC} = 0.5014, \Delta_{2,AC} = 0.2507\)(异质安慰剂 + 异质效应)
  • 协变量-结局关系:三种设定——两子群体相同线性;线性但系数不同;子群体 1 线性、子群体 2 S 形(sigmoid)。

关键假设(作者明确或隐含):

  1. 正态性:结局和残差正态,\(\sigma^2 = 1\) 已知。
  2. 线性可加性:协变量以线性形式进入模型(除 S 形场景外)。
  3. 无缺失数据、无依从性问题、无中途退出。
  4. 子群体患病率 \(f\) 已知(用于 PWf 的加权)。
  5. 效应定义:\(\Delta_{AB}\) 仅在子群体 1 中定义(因为子群体 2 对 \(B\) 不合格);\(\Delta_{AC}\) 在全体中定义,但允许子群体间异质。

相比已有文献的放宽/强化: - 相比传统多臂试验([1]),放宽了"所有参与者对所有臂合格"的假设。 - 相比平台试验([6], [7]),简化了动态臂添加/移除的复杂性,聚焦静态三臂设计。 - 相比个性化设计([8], [10]),强化了效应定义——作者明确将 \(\Delta_{AB}\) 限定在子群体 1,而非试图定义总体 \(\Delta_{AB}\)。

主要结果

估计性质(图 1-3):

  1. 同质协变量-结局关系时:所有方法几乎无偏,MSE 相近。PWb 和 All 因利用更多数据,MSE 略小(约 0.021 vs 0.023,相对差异约 9%)。
  2. 异质线性关系时:PWb(借用子群体 2 的对照数据但不调整子群体效应)出现显著偏差,在 S0.2 中偏差达 -0.04 至 -0.06(相对 \(\sigma=1\) 不可忽略);PWbg(调整子群体效应)和 All 偏差较小但 MSE 增大。PW0 和 PWf 保持无偏。
  3. S 形关系时:所有线性模型方法均有偏差,但 PW0 和 PWf 的偏差最小(约 0.01-0.02),PWb 和 All 的偏差最大(可达 0.1 以上)。

错误率控制(表 3-6): - S0.1(完全零效应):所有方法在 D1、D2、D3 下均控制 FWER 在 5% 以内(范围 0.046-0.052)。 - S0.2(异质安慰剂 + 零效应):PWb 在 D1 下 FWER 膨胀至 0.062(超出 95% 置信区间 [0.0457, 0.0543]),在 D2 下膨胀至 0.057;PWbg 和 All 在 D1 下也轻微膨胀(0.056-0.058)。PW0、PWf、PWMA 始终控制良好。

功效(表 3-6): - 同质效应(S1.1):D2 的 disjunctive power 最高(约 0.965),D3 次之(约 0.960),D1 最低(约 0.950)。分析策略间差异较小(<2%)。 - 异质效应(S1.2):PWf 和 PWMA 的 disjunctive power 最高(约 0.93),All 最低(约 0.90)。D2 仍优于 D1。 - S2.1/S2.2(异质安慰剂):PWb 的功效不稳定,在 S2.2 中甚至低于 0.80;PW0 和 PWf 保持约 0.90 以上。

核心发现总结: - PWb(借用额外对照数据但不调整子群体)是最差策略:在异质场景下偏差大、FWER 膨胀、功效不稳定。 - PW0(保守配对分析)和 PWf(患病率加权合并)最稳健:始终控制 FWER,偏差可忽略,功效损失有限(约 2-5%)。 - D2(子群体内等比例)优于 D1(跨臂等比例):在多数场景下功效高 1-3%,且不牺牲错误率控制。 - PWMA(元分析框架)在异质场景下表现良好:功效接近 PWf,且对异质性有一定适应性。

证明路线与技术技巧

本文为纯模拟研究,无理论证明。但模拟设计本身有值得注意的技术点:

  1. 数据生成:先固定子群体大小(\(Nf\) 和 \(N(1-f)\)),再在子群体内按分配比例随机分配臂。协变量从多元正态生成,结局由线性/非线性函数加噪声生成。
  2. 分析策略:
  3. PW0:仅用子群体 1 数据,拟合 \(y = \theta_0 + \beta_B \mathbb{1}\{j=B\} + \beta_C \mathbb{1}\{j=C\} + f(X,\theta) + \epsilon\)。
  4. PWb:用子群体 1 的 \(A,B\) 数据和子群体 2 的 \(A\) 数据,拟合类似模型(无子群体指示)。
  5. PWbg:在 PWb 基础上加入子群体指示 \(\mathbb{1}\{k=2\}\)。
  6. PWg:用全部数据拟合含子群体指示的模型。
  7. PWf:分别拟合子群体 1 和 2 的模型,用患病率 \(f\) 加权合并 \(\hat{\Delta}_{AC} = f\hat{\beta}_{1,C} + (1-f)\hat{\beta}_{2,C}\)。
  8. PWMA:类似 PWf,但用固定效应元分析合并(权重为方差的倒数)。
  9. All:用全部数据拟合单一模型 \(y = \theta_0 + \beta_B \mathbb{1}\{j=B\} + \beta_C \mathbb{1}\{j=C\} + \theta_c \mathbb{1}\{k=2\} + f(X,\theta) + \epsilon\)。
  10. 性能指标:偏差、MSE、FWER(至少拒绝一个零假设的概率)、disjunctive power(至少拒绝一个非零假设的概率)。
  11. 模拟次数:10,000 次,保证 FWER 估计的 95% 置信区间半宽约 0.004。

技术技巧: - 使用配对 t 检验而非 Wald 检验,以在小样本下获得更好的错误率控制。 - 对异质性场景,通过改变 \(\gamma\) 系数和函数形式(线性 vs S 形)系统探索模型误设的影响。 - 对 PWf 和 PWMA,使用患病率加权而非样本量加权,以反映总体层面的效应。

🔎 结论是否比证明窄

是,存在多处"结论宽于证明"的情况:

  1. 第 4.3 节:"D2 具有最高的 disjunctive power"——但这一结论仅在模拟的特定参数组合(\(f=0.8\),效应量 0.5014)下成立。作者未提供不同 \(f\) 或效应量下的敏感性分析。
  2. 第 4.5 节:"PW0 和 PWf 提供稳健推断"——但模拟仅覆盖了正态结局、线性/单 S 形协变量函数、无缺失数据等理想条件。对二元结局、时间-事件结局、或存在依从性问题时的表现未知。
  3. 第 5 节:"建议采用 D2 设计"——但 D2 的优越性依赖于 \(f\) 已知且固定。若 \(f\) 估计不准,D2 的分配比例可能偏离最优。
  4. 第 5 节:"PWMA 在异质场景下表现良好"——但模拟中仅有两个子群体,且异质性程度有限(\(\Delta_{1,AC}\) vs \(\Delta_{2,AC}\) 差异 0.25)。对更多子群体或更强异质性的外推缺乏依据。

作者未明确声称但隐含的假设:所有方法假设无未观测混杂(即随机化在子群体内有效),且无选择偏差(即子群体 2 的参与者对 \(C\) 的潜在结局与子群体 1 的可比)。这些假设在模拟中自动满足,但在实际应用中可能不成立。


四、开放问题

以下问题均扎根于本文的具体语句:

  1. 随机化比例的最优选择理论(扎根于第 4.3 节"D2 具有最高 disjunctive power"):D2 的优越性是否有理论保证?能否推导出给定 \(f\)、效应量、异质性程度下的最优分配比例?这需要将模拟观察提升为优化问题——例如,在 FWER 约束下最大化 disjunctive power 的分配比例。

  2. 更多子群体与更复杂合格性结构(扎根于第 5 节"更复杂的包容性设计仍有待探索"):当子群体数量 \(>2\) 且合格性结构更复杂(如部分子群体对 \(B\) 和 \(C\) 均合格,部分仅对 \(C\) 合格)时,PWf 和 PWMA 的加权方案如何推广?是否存在类似于网络元分析的方法可以系统处理这种结构?

  3. 非正态结局与广义线性模型(扎根于第 5 节"未来工作可考虑其他类型的结局"):本文仅考虑正态结局。对于二元结局(如 logistic 回归)或计数结局(如 Poisson 回归),PWf 和 PWMA 的加权方案是否仍然有效?特别是,当子群体间效应异质时,logistic 回归中的非可压缩性(non-collapsibility)可能使合并估计的偏差更严重。

  4. 协变量分布差异的正式处理(扎根于第 3.1.1 节"协变量从多元正态分布生成"):本文假设两子群体的协变量分布相同(仅系数不同)。若协变量分布也随子群体变化,PWf 的患病率加权是否仍然一致?这可能需要引入协变量平衡或标准化方法。

  5. 样本量计算与设计参数选择(扎根于第 5 节"未探讨样本量计算"):包容性设计的样本量如何确定?给定 \(f\)、预期效应量、异质性程度,如何计算达到目标功效所需的总样本量?这需要将模拟结果转化为可操作的设计公式。


提醒:要确认上述问题是否为真 gap,建议阅读近 5 年关于平台试验设计(如 Adaptive Designs 期刊)和个性化试验(如 Statistics in Medicine)的综述性文章。若多个独立团队均指向同一问题,则为共识性 gap;若各团队给出不同答案,则为机会性 gap。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论