SMMR — Vol 34 Issue 9 · 2026-06-24¶

共 11 篇 · Statistical Methods in Medical Research
目录核对 ✅ 11 篇全部抓到（对照 OpenAlex 11 篇）

本期导览¶

自动生成：归纳本期主要主题与脉络，不打分、不排名。

这一期11篇论文高度聚焦于临床试验设计中的自适应随机化（RAR）及其衍生方法，核心关切在于提升统计效率、伦理收益与操作可行性。主线可归纳为三条：RAR的效率最优性与渐近理论（多臂ERADE、半参数生存CARA、最优分配近似）、协变量调整与平衡（协变量选择自适应随机化、协变量调整DBCD、预后/预测贝叶斯CARA、生物标志物驱动设计）、多重比较与假设检验（Fisher's LSD扩展至组序列RAR、基于模型的treatment-covariate交互检验）。此外两篇系统综述梳理了RAR的实际应用现状与缺口。每一条主线内部存在清晰的共性方法工具（如Cramér-Rao下界、最优分配准则、序贯更新）与不同切入点。

在RAR的效率与渐近理论主线上：多臂ERADE将双臂最优设计扩展至多臂，证明了渐近方差达到Cramér-Rao下界，提供了效率基准；半参数生存CARA基于Cox模型处理删失数据，避免了参数形式假设；近似最优分配一文用马尔可夫决策过程加span-contraction算子给出贝叶斯逼近算法，在二元与正态响应中表现出更优分配比例。三篇分别从渐近最优性、半参数稳健性、序贯决策角度推进了RAR的理论框架。

协变量调整是另一条贯穿多篇的线索：协变量选择自适应随机化通过序贯选择重要协变量维持平衡，证明了收敛加速与效率提升；协变量调整DBCD给出了非线性协变量调整的通用框架，并引入样本分裂使机器学习适用；贝叶斯CARA区分预后与预测协变量，分别用于组间平衡与倾向性分配；生物标志物驱动设计则针对连续预测性标志物求解最优截断值，其CARA实现通过最小化与最优分配的欧氏距离。这些工作强调了在自适应随机化中合理利用协变量信息可同时改善估计效率和伦理性能。

多重比较与假设检验主线上：Fisher's LSD扩展至多臂组序列RAR，证明了即使在丢弃劣势臂后信息时间仍累积，故可用误差支出法控制FWER，对比了两种最优分配目标；model-based Neyman allocation (MNA)针对treatment-covariate交互检验，在异方差下通过极限分配比例最大化功效，并作为RAR-NA的推广给出渐近证明。

对于因果推断方向的研究者，以下几篇与您最相关：协变量选择自适应随机化给出了协变量选择一致性证明，其思路可类比因果推断中高维混杂筛选；协变量调整DBCD的ATE估计协变量调整框架与样本分裂技巧对非完全随机化数据的因果估计有直接迁移价值；半参数生存CARA基于Cox模型的设计体现了半参数效率思想；多臂ERADE的最优性证明使用了Cramér-Rao下界这一您熟悉的工具。这些论文的核心方法（协变量平衡、半参数建模、最优分配）与因果推断中的ATE估计、敏感性分析及效应修饰识别有深层关联。

因果推断 (causal_inference, 1 篇)¶

1. 10.1177/09622802241313283 · arXiv — Covariate selection for optimizing balance with an innovative adaptive randomization approach¶

作者: Ziqing Guo, Yang Liu, Lucy Xia
期刊/来源: Statistical Methods in Medical Research
分类: vol 34 · issue 9 · pp 1751-1779
相关性 7/10 · novelty: new_method
摘要: 在临床试验中，协变量平衡对有效的治疗比较至关重要。当基线协变量数量较多时，传统的协变量自适应随机化方法可能表现不佳。本文提出一种创新的自适应随机化方法，该方法整合患者的响应和协变量信息，序贯地选择有影响力的协变量并维持其平衡。理论上，作者证明了所提协变量选择方法的一致性，并表明不平衡度量的收敛速度加快，进而提高了治疗效果估计的效率。数值模拟和实证研究进一步验证了该方法在多种设定下的优势。该文对关注因果推断中治疗效果估计效率及随机化设计的研究者具有参考价值。
关键技术: adaptive randomization, covariate selection, sequential hypothesis testing, balance measure, consistency of selection, asymptotic efficiency
为什么对您有用: 该文涉及因果推断中治疗效果的估计效率问题，通过改进随机化设计来提升估计精度，直接关联到您的主要兴趣中因果推断的估计理论与高维协变量情形。您可以使用熟悉的因果推断估计理论（如半参效率界）来评估该文所提出的效率改进是否达到最优，并思考此类序贯选择方法在其他因果推断设定（如观察性研究中的协变量平衡）的拓展。该领域并非您当前核心方向，属于中期可做：需要先了解临床试验自适应随机化的文献背景。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)¶

1. 10.1177/09622802251319896 — Extension of Fisher’s least significant difference method to multi-armed group-sequential response-adaptive designs¶

作者: Wenyu Liu, D Stephen Coad
期刊/来源: Statistical Methods in Medical Research
机构: Open Data Institute · University of Oxford · Queen Mary University of London
分类: vol 34 · issue 9 · pp 1780-1794
相关性 6/10 · novelty: new_method
摘要: 本文针对多臂多阶段临床试验设计，将Fisher最小显著差法(LSD)扩展至组序列响应自适应设计，目标是在试验过程中控制家族错误率(FWER)。首先在数学上证明，即使在丢弃劣势臂后信息时间仍继续累积，因此可采用误差支出方法来控制FWER。设计考虑了两种最优分配：一种侧重高效估计各处理效应，另一种在固定总样本量下最大化检验功效。通过模拟和对NeoSphere临床试验的重设计，比较了该自适应设计与固定样本设计在正态分布和删失生存数据下的操作特征。结果表明，自适应设计在统计效率和伦理优势（更多患者接受更优治疗）方面表现更佳，且FWER得到良好控制。本文为多臂试验中多重比较和自适应设计提供了实用方法，连接了假设检验中的多重比较FWER控制与流行病学临床试验设计的交叉领域。对您而言，可作为了解临床试验自适应设计框架的入门阅读，尤其是其中多重比较的误差控制思路值得注意。
关键技术: Fisher's LSD, Group-sequential design, Response-adaptive randomisation, Error-spending approach, Information time, Optimal allocation
为什么对您有用: 本文属于流行病学应用方向下的临床试验设计方法，直接涉及您primary interest中的假设检验（多重比较的FWER控制）以及secondary interest中的流行病学应用。当前武器库中（如U-statistics、高维理论、半参效率）与本文核心工具（组序列误差支出、Fisher LSD）的直接交集较小，因此暂不可做深入的理论攻防；但如果您关注临床试验设计或流行病学因果推断中的适配设计，本文可作为gateway阅读，帮助您了解自适应分配与多重比较校正的基本框架，值得花时间精读摘要和模拟部分。

2. 10.1177/09622802241298703 — Model-based optimal randomization procedure for treatment–covariate interaction tests¶

作者: Zhongqiang Liu
期刊/来源: Statistical Methods in Medical Research
机构: Henan Polytechnic University
分类: vol 34 · issue 9 · pp 1732-1750
相关性 6/10 · novelty: new_method
摘要: 在临床试验的线性模型框架下，目标是检验 treatment–covariate interaction，核心困难在于处理效应的异方差性导致传统检验功效下降。本文提出 model-based Neyman allocation (MNA) 随机化程序，通过推导极限分配比例，证明其在异方差设定下能最大化交互作用检验的功效。理论贡献包括：建立 MNA 作为 response-adaptive randomization (RAR-NA) 的推广，给出功效最优性的渐近证明，以及样本量估计公式。模拟研究表明，即使在模型误设下，MNA 在检验功效上仍优于 Pocock–Simon minimization 和 RAR-NA。对您在假设检验最优性与实验设计交叉领域的研究有参考价值。
关键技术: Neyman allocation, response-adaptive randomization, treatment–covariate interaction test, heteroscedastic linear model, asymptotic power optimization, limiting allocation proportion
为什么对您有用: 连接到 hypothesis testing 与实验设计的交叉方向，涉及功效最优性与样本量分配。您 very_familiar 的 minimax bounds 和 estimation theory 可用于审视其声称的'最优性'是否可进一步收紧或推广到非参数设定。立即可做：用您熟悉的 nonparametric statistics 框架检验其线性模型假设的必要性，探索是否可建立 model-free 的功效下界。

统计计算 / 算法 (stat_computing, 1 篇)¶

1. 10.1177/09622802241293750 — Approximation to the optimal allocation for response adaptive designs¶

作者: Yanqing Yi, Xikui Wang
期刊/来源: Statistical Methods in Medical Research
机构: Memorial University of Newfoundland · University of Manitoba
分类: vol 34 · issue 9 · pp 1724-1731
相关性 5/10 · novelty: new_method
摘要: 本文研究响应自适应临床试验中最优治疗分配问题，将治疗分配过程建模为马尔可夫决策过程，采用贝叶斯方法汇总治疗效果信息。引入span-contraction算子，并证明基于该算子的策略产生的平均奖励收敛到最优值。提出一种结合Thompson采样和收缩算子的近似算法，用于求解最优分配策略。仿真实验覆盖二元响应和正态响应两种场景（样本量分别为200和100），结果显示该方法比完全随机化分配更多患者至更优治疗（正态响应时多13%），同时保持良好的统计功效和极低的不良方向概率（低于1%）。该方法涉及序贯决策算法设计与收敛性分析，对动态治疗规则及因果推断中的处理分配有启发。
关键技术: Markov decision process, Bayesian updating, Thompson sampling, span-contraction operator, response adaptive randomization
为什么对您有用: 本文连接统计计算中序贯决策算法与临床试验分配的交叉领域。您熟悉的estimation theory in causal inference中的因果估计量无偏性工具，可用于分析该分配策略下平均处理效应的识别条件。基于现有仿真框架，可直接复现并扩展至更复杂的纵向设定，属于立即可做的方向。

流行病学 (epidemiology, 2 篇)¶

1. 10.1177/09622802251362644 — Efficient randomized adaptive designs for multi-arm clinical trials¶

作者: Norah Alkhnefr, Feifang Hu, Guannan Zhai
期刊/来源: Statistical Methods in Medical Research
机构: George Washington University
分类: vol 34 · issue 9 · pp 1886-1898
相关性 7/10 · novelty: new_method
摘要: 本文研究多臂临床试验中的响应自适应随机化设计问题。已有高效设计ERADE在双臂试验中达到Cramér-Rao下界，但无法直接用于多臂场景。作者将ERADE扩展至多臂试验，提出多臂ERADE算法，并建立了分配比例的渐近正态性和渐近方差达到Cramér-Rao下界的最优性。通过仿真和真实试验的重设计验证了有限样本下的有效性。该工作为多臂临床试验提供了统计效率最优的随机化方案，其渐近理论分析对理解自适应设计的效率边界有参考价值。对您而言，可借此了解流行病学中试验设计的前沿方法，并运用您熟悉的估计理论（Cramér-Rao下界）评估其最优性证明的严谨性。
关键技术: Response-adaptive randomization (RAR), Efficient response adaptive randomization design (ERADE), Cramér-Rao lower bound, Asymptotic variance, Multi-arm extension
为什么对您有用: 本文聚焦流行病学中的临床试验设计（多臂自适应随机化），直接对应您的secondary interest “epidemiology (应用因果工作)”。您可利用对非参数统计和估计理论（Cramér-Rao下界）的熟悉，快速评估其渐近最优性证明。立即可做——无需额外工具即可理解核心理论。

2. 10.1177/09622802241287704 — Covariate-adjusted response-adaptive designs for semiparametric survival models¶

作者: Ayon Mukherjee, Sayantee Jana, Stephen Coad
期刊/来源: Statistical Methods in Medical Research
机构: Indian Institute of Technology Hyderabad · Queen Mary University of London
分类: vol 34 · issue 9 · pp 1697-1723
相关性 7/10 · novelty: new_method
摘要: 本文提出协变量自适应响应自适应设计（CARA）用于右删失生存数据，基于半参数Cox比例风险模型，无需对生存分布指定参数形式。该设计通过最优分配准则最小化给定协变量下患者接受劣势治疗的概率，目标分配比例是Cox回归系数的函数，并随新患者入组序贯更新。为实现这些目标比例，采用协变量调整的双重自适应偏硬币设计（C-DBCD）和协变量调整的有效随机化自适应设计（C-ERADE）两种随机化策略。通过大量模拟评估操作特性，包括分配比例、检验功效和经验Type I error，并与基于参数AFT模型的现有CARA设计对比。最后将所提方法重新设计了一个真实临床试验，验证实际可行性。该工作将流行病学临床试验设计与半参数效率理论有机结合，对您运用因果推断工具处理纵向生存数据中的动态治疗方案具有方法学参考价值。
关键技术: Covariate-adjusted response-adaptive design, Cox proportional hazards model, Doubly adaptive biased coin design, Optimal allocation, Sequential estimation
为什么对您有用: 本文与您的次要兴趣“epidemiology（applied causal work）”直接关联。您武器库中“estimation theory in causal inference”可用于严格分析其中序贯Cox系数估计的M-估计渐近性质（如影响函数与标准误），“nonparametric statistics”可帮助评估半参数设定对比例风险偏离的稳健性。本文是方法学驱动的应用论文，对非专家友好，清晰给出了设计原理和模拟框架。中期可做：需先在“M-estimation theory”上深入理解顺序估计的刀切方差估计，然后可将该CARA框架扩展到生存数据平均处理效果的响应自适应分配。

其他 (other, 5 篇)¶

1. 10.1177/09622802251324750 — Covariate-adjusted inference for doubly adaptive biased coin design¶

作者: Fuyi Tu, Wei Ma
期刊/来源: Statistical Methods in Medical Research
机构: Chongqing University of Posts and Telecommunications · Renmin University of China
分类: vol 34 · issue 9 · pp 1795-1820
相关性 7/10 · novelty: application
摘要: 该文针对双重自适应偏币设计（DBCD）在临床试验中的协变量调整问题展开研究。DBCD是一种自适应随机化方法，能在平衡统计有效性、效率和伦理的同时实现任意预设最优分配比例，但原有方法未利用与结局相关的协变量信息。作者提出一个一般性框架，通过非线性协变量调整来估计处理效应，并给出严格的理论推导和模拟验证。文中还引入样本分裂技术，使机器学习方法能在DBCD下得到有效的处理效应估计量，适用于高维协变量情形。该工作完善了DBCD的理论基础，并可望提高临床试验的准确性和伦理性。对您而言，其协变量调整与高维推断思路可迁移至因果推断中的ATE估计与敏感性分析，尤其是当数据来自非完全随机化设计时。
关键技术: doubly adaptive biased coin design, covariate adjustment, sample splitting, machine learning estimators, nonlinear adjustment
为什么对您有用: 连接流行病学应用方向：临床试验中的协变量调整是因果推断的典型场景。武器库中'estimation theory in causal inference'和'high-dimensional asymptotics'可用于分析该文的估计量和方差表现。中期可做：文中的样本分裂+ML方法可与您熟悉的DML框架结合，但需先补强'semiparametric theory'中的影响函数技术细节。

2. 10.1177/09622802251335150 — A family of Bayesian prognostic and predictive covariate-adjusted response-adaptive randomization designs¶

作者: Xinyi Pei, Yujie Zhao, Jun Yu, Li Wang, Hongjian Zhu
期刊/来源: Statistical Methods in Medical Research
机构: Purdue University West Lafayette · AbbVie (United States)
分类: vol 34 · issue 9 · pp 1838-1850
相关性 6/10 · novelty: minor
摘要: 本文在贝叶斯响应自适应随机化（RAR）框架下，区分预后协变量与预测协变量，目标是提升临床试验的伦理性与估计效率。核心方法是提出一类 CARA 设计，利用预测协变量进行倾向性分配（让更多患者接受更优治疗），同时利用预后协变量维持组间平衡。理论贡献有限：主要依赖模拟实验展示 Type I error 控制与 power 提升，未给出严格的渐近性质或效率界证明。对您可能有用之处在于：区分 prognostic 与 predictive 变量的思想与因果推断中的 effect modifier / confounder 概念有对应关系。
关键技术: Bayesian response-adaptive randomization, covariate-adjusted design, prognostic versus predictive covariates, Type I error control in adaptive designs, simulation-based evaluation
为什么对您有用: 本文属于临床试验设计的方法学工作，与您 primary interests 中的因果推断、效率理论有概念性连接（prognostic ≈ confounder、predictive ≈ effect modifier），但技术层面是贝叶斯自适应设计，不涉及 semiparametric efficiency bound、influence function 等您熟悉的效率理论工具。武器库匹配度：very_familiar 中的 estimation theory in causal inference 可帮助理解其估计效率问题，但本文核心是贝叶斯分配策略而非估计量理论。Follow-up 判断：暂不可做——贝叶斯自适应设计、sequential decision making 的理论工具不在武器库中，且本文 novelty 为 minor（模拟验证为主，无新理论）。

3. 10.1177/09622802251327690 — Biomarker-driven optimal designs for patient enrollment restriction¶

作者: Alessandro Baldi Antognini, Sara Cecconi, Rosamarie Frieri, Maroussa Zagoraiou
期刊/来源: Statistical Methods in Medical Research
机构: University of Bologna
分类: vol 34 · issue 9 · pp 1821-1837
相关性 6/10 · novelty: new_method
摘要: 在个性化医疗背景下，针对连续预测性生物标志物的最优截断值确定问题，本文提出了一种用于患者入组限制的最优设计方法。该方法基于相对风险定义患者对治疗的敏感性，并推导出估计截断值的最优设计，需满足包含未知模型参数和患者生物标志物值的一组等式约束。为实现该设计，引入了一种新的协变量调整响应自适应随机化方法，通过顺序最小化当前分配与最优分配之间的欧氏距离。模拟研究展示了该方法在估计效率和截断值估计方差方面的表现。此外，本文还揭示了采用数据驱动中位数作为截断值时潜在的严重伦理影响。
关键技术: optimal design, response-adaptive randomization, covariate adjustment, Euclidean distance minimization, binary response trials
为什么对您有用: 本文聚焦于临床试验设计中基于生物标志物的患者分层，与因果推断中处理效应异质性估计紧密相关。研究者武器库中的M-estimation和因果推断估计理论可用于分析该设计的渐近性质和效率。目前缺乏自适应随机化设计的深度知识，属于中期可做——需先在M-estimation或因果推断领域巩固后进一步探索。

4. 10.1177/09622802251348183 — Response adaptive randomisation in clinical trials: Current practice, gaps and future directions¶

作者: Isabelle Wilson, Steven Julious, Christina Yap, Susan Todd, Munyaradzi Dimairo
期刊/来源: Statistical Methods in Medical Research
机构: University of Sheffield · Institute of Cancer Research · University of Reading
分类: vol 34 · issue 9 · pp 1851-1874
相关性 5/10 · novelty: survey
摘要: 本文是一篇关于临床试验中响应自适应随机化（RAR）的系统综述，目标是对截至2023年的 RAR 实际应用现状、方法学缺口及未来方向进行梳理。研究通过文献检索与试验注册库筛选，最终纳入 65 项计划采用 RAR 的临床试验，涵盖肿瘤学（25%）、药物干预（80%）等领域，其中 85% 采用贝叶斯方法、83% 使用贝叶斯 RAR 算法。主要发现包括：71% 的试验缺乏统计实施的清晰细节、超过 50% 的已结束试验未充分报告分配变化、平均样本量减少 22% 且未向无效组过度分配。结论指出 RAR 在败血症、COVID-19、癌症等领域已展现资源节约与伦理优势，但复杂性、成本与模拟需求限制了更广泛采用。本文属于应用导向的综述，方法学 novelty 有限，主要价值在于汇总实际应用中的统计工具与报告缺陷。
关键技术: response adaptive randomization, Bayesian adaptive design, platform trial design, burn-in period, allocation restriction
为什么对您有用: 本文属于临床试验设计领域的综述，与您 primary interests（因果推断、高维统计、半参数理论、效率理论等）的核心技术方向重叠有限。若您有意向将因果推断方法（如 IV、mediation、longitudinal CI）扩展到自适应试验设计场景，本文可作为了解 RAR 实际操作与统计工具缺口的入门读物，但不会直接提供可迁移的理论工具。follow-up 判断：暂不可做——核心机器不在武器库，且本文不涉及您熟悉的 minimax bounds、semiparametric efficiency、higher-order U-statistics 等技术。

5. 10.1177/09622802251354924 — To what extent is response-adaptive randomization used in clinical trials? A systematic review using Cortellis Regulatory Intelligence database¶

作者: Oleksandr Sverdlov, Jone Renteria, Kerstine Carter, Annika L Scheffold, Johannes Krisam, Pietro Mascheroni et al.
期刊/来源: Statistical Methods in Medical Research
机构: Tris Pharma (United States) · Onkologikoa · Boehringer Ingelheim (Japan) · Boehringer Ingelheim (France) · Boehringer Ingelheim (Germany)
分类: vol 34 · issue 9 · pp 1875-1885
相关性 4/10 · novelty: survey
摘要: 本文是一项关于 response-adaptive randomization (RAR) 在临床试验中应用现状的系统性综述，研究问题是对已完成的和正在进行的 RAR 试验进行系统梳理，识别其使用场景、特征及监管接受度。作者通过 Cortellis Regulatory Intelligence 数据库检索并筛选出 39 项 RAR 试验，采用描述性统计方法汇总试验的分期、适应症、申办方类型等特征。主要发现包括：RAR 试验主要集中在 Phase 2 阶段，以肿瘤、神经学和感染性疾病为主，学术机构申办占多数；在 22 项已完成的试验中，有 7 项报告了阳性结果，其中 2 项为后续药物获批提供了关键数据。本文属于应用层面的系统性综述，未涉及新的方法学理论或估计量的统计性质研究。
关键技术: response-adaptive randomization, systematic review, clinical trial design, adaptive trial methodology
为什么对您有用: 本文属于 gateway-reading 类型，对您 primary interest 中的因果推断和试验设计有一定背景参考价值，但方法学 novelty 极低（survey 性质）。(1) 作为了解 RAR 在实际临床试验中落地情况的入门读物，本文提供了清晰的现状梳理，但未涉及具体的 adaptive randomization 方法的理论性质（如 CARA、bandit-based allocation 的 regret bound 或 inference after adaptation）。(2) 您的武器库（semiparametric theory, minimax bounds）足以理解本文提及的 RAR 方法，但本文不涉及需要这些工具的理论问题。(3) 不建议花时间读全文，除非您近期有涉及 adaptive design 的合作项目需要了解实际应用背景。

Maintained by 陈星宇 · Homepage · Source on GitHub