SMMR — Vol 35 Issue 6 · 2026-06-24¶

共 12 篇 · Statistical Methods in Medical Research
目录核对 ✅ 12 篇全部抓到（对照 OpenAlex 12 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。

本期共12篇论文，整体主线可归纳为三条：因果识别与稳健推断（3篇）、半参数生存模型与混合治愈框架（3篇，含两篇分位数治愈/联合模型和一篇双半参数区间删失治愈模型）、流行病学应用中的方法创新（4篇，包括空间暴露不确定性、时变ROC、复杂调查加权预测、随机化偏倚），另有元分析方法论比较（1篇）独立成支。因果推断与半参数主题贯穿多篇文章，而流行病学部分更侧重问题驱动的方法适配。

因果识别与稳健推断是本期的核心主线，三篇文章从不同切面改进经典假设。第一篇《灵活半参数…无效工具变量》在存在未观测混淆和潜在无效IV时，构造惩罚半参数估计器，实现自动筛选并保持\(\sqrt{n}\)一致性与Oracle性质，但摘要未给出效率界限，属于稳健性推进。第二篇《Beyond weighting》避开IPW高方差问题，证明ATE可识别为倾向得分函数的条件期望，进而用样条直接估计，提供新identification结果并构建渐近推断。第三篇《Sensitivity bounds…因果风险比》受Ding & VanderWeele框架启发，在生存分析中非参数推导常规HR与因果HR的偏差上界，并导出E-value，不依赖强参数假设。三篇均未引入高维或渐近效率新理论，但分别针对IV、倾向得分、生存因果这三类常见问题提供了更具实用性的稳健方案。

半参数生存模型是另一条延伸主线。双半参数混合治愈模型将治愈率从Logistic推广为半参数形式，应用样条筛极大似然，证明了估计量的一致性；分位数治愈模型则通过双稳健估计方程允许治愈率部分或潜伏时间部分之一误设时仍使另一部分一致，弱化全局线性假设。此外，多变量纵向-生存联合模型在分位数框架下利用多元非对称Laplace分布实现计算效率。这三篇文章均在半参数框架下扩展了生存分析的可解释性或稳健性，适合关注治愈模型或联合建模的读者。

与因果推断或半参数效率方向最贴的三篇是《灵活半参数…无效工具变量》《Beyond weighting》《Sensitivity bounds…因果风险比》；双半参数混合治愈模型和分位数治愈模型适合半参数生存分析方向；流行病学应用中的分配偏倚与随机化检验那篇，以及空气污染暴露不确定性那篇，分别涉及检验决策和测量误差校正，值得方法拓展视角的读者留意。

因果推断 (causal_inference, 3 篇)¶

1. 10.1177/09622802261439252 — A flexible semiparametric approach for robust causal inference with invalid instruments and unmeasured confounder¶

作者: Yunlong Cao, Yuquan Wang, Dapeng Shi, Dong Chen, Yue-Qing Hu
期刊/来源: Statistical Methods in Medical Research
机构: Fudan University
分类: vol 35 · issue 6 · pp 1230-1242
相关性 9/10 · novelty: new_method
摘要: 在存在未观测混淆和潜在无效工具变量的设定下，目标是估计处理效应，关键假设是不对未观测混淆的分布做参数化约束。作者采用半参数模型框架，构造了带惩罚项的半参数估计器，通过 penalization 实现无效工具变量的自动筛选。理论方面证明了估计器的 oracle property 和 n^{-1/2}-consistency、渐近正态性，但摘要未明确给出 semiparametric efficiency bound 或 influence function 的具体形式。模拟和 ARIC 数据应用展示了估计器在无效工具存在时的稳健性和变量选择一致性。对您在 IV 和 sensitivity analysis 方向的工作有直接参考价值。
关键技术: penalized semiparametric estimation, invalid instrument selection, oracle property, unmeasured confounding, robust causal inference
为什么对您有用: 直接连接到 primary interest 中 IV 和 sensitivity analysis 的交叉点——处理无效工具和未观测混淆的联合问题。您在 identification theory 和 semiparametric theory 方面的 moderately_familiar 武器可以用来审视其 identification 条件的完备性和效率性质。中期可做：需先确认其 semiparametric efficiency 是否达到 bound，以及 penalization 对 influence function 的影响——这需要您在 semiparametric theory 上先长肌肉。

2. 10.1177/09622802261436960 — Beyond weighting: Propensity score modeling for causal inference¶

作者: Rong J.B. Zhu
期刊/来源: Statistical Methods in Medical Research
机构: Fudan University
分类: vol 35 · issue 6 · pp 1199-1214
相关性 8/10 · novelty: new_method
摘要: 在 observational study 设定下，目标是 ATE 的估计，核心困难是 IPW 方法在 propensity score 接近 0/1 时的高方差及模型误设敏感性。作者证明了给定 propensity score 条件下的潜在结局期望可识别为 propensity score 的函数，从而绕开 IPW 的逆概率加权机制。方法上采用 spline regression 直接估计该条件期望函数，利用 spline 估计的渐近正态性构建 treatment effect 的估计与推断。理论贡献包括建立 identification result 和推导 spline estimator 的渐近性质，声称在保持 IPW 低偏差的同时显著降低方差。模拟显示相比 IPW 类方法方差更低且对 propensity score 误设更稳健，实证分析验证了推断的可靠性。对您在因果推断估计理论和 semiparametric efficiency 方面的兴趣有直接参考价值。
关键技术: propensity score modeling, spline regression, asymptotic normality, inverse probability weighting, treatment effect estimation, regression-based adjustment
为什么对您有用: 直接连接到因果推断中的估计理论，特别是 propensity score 方法与 semiparametric 估计的交叉。您熟悉的 nonparametric statistics 和 M-estimation theory 可用于审视其 spline estimator 的渐近性质是否达到 semiparametric efficiency bound。立即可做：用您 very_familiar 的 nonparametric statistics 和 estimation theory in causal inference 工具，可以验证其声称的方差降低是否源于 efficiency gain，以及是否可以进一步改进至达到 semiparametric efficiency bound。

3. 10.1177/09622802261436811 — Sensitivity bounds for bias in hazard ratios: A causal hazard perspective¶

作者: Yan-Lin Chen, Hsiang-Hsi Hung, Sheng-Hsuan Lin
期刊/来源: Statistical Methods in Medical Research
机构: National Yang Ming Chiao Tung University · National Dong Hwa University
分类: vol 35 · issue 6 · pp 1166-1176
相关性 7/10 · novelty: new_method
摘要: 在生存分析中，Cox 模型的常规 hazard ratio (HR) 因存在选择偏差而难以被解释为因果效应；本文以 Aalen 提出的 causal hazard ratio 为目标 estimand，量化了常规 HR 相对于因果 HR 的偏差。受 Ding & VanderWeele 的 sensitivity analysis 框架启发，作者在离散和连续时间设定下非参数地推导了 HR bias 的上界，证明该偏差随时间累积。进一步地，文章导出了 HR bias 的 E-value，用于评估在给定因果 HR 水平下，未观测混淆是否足以解释观察到的常规 HR。该方法不依赖强参数假设，为生存分析中的因果推断提供了可操作的敏感性分析工具。对您在因果推断敏感性分析方向的研究有直接参考价值。
关键技术: sensitivity analysis, E-value, causal hazard ratio, selection bias in survival analysis, nonparametric bounds
为什么对您有用: (1) 直接连接到 primary interest 中的因果推断敏感性分析，特别是生存分析场景下 hazard ratio 的因果解释问题。(2) 您在 identification theory 和 estimation theory in causal inference 方面的 very_familiar 武器可以用来审视本文的 bound 是否紧、是否可以进一步 sharpen。(3) 立即可做：本文的框架是经典的 sensitivity analysis 套路，您可以用 very_familiar 的 minimax bounds 思维去探索是否能在更弱的假设下得到更紧的 bound，或者将该方法与您熟悉的 longitudinal/mediation 设定结合。

非参数 / 半参数 (nonparam_semipara, 1 篇)¶

1. 10.1177/09622802261442911 — A double-semiparametric approach for extending mixture cure models with interval-censored data¶

作者: Xiaoyu Liu, Zsolt Szabo, Liming Xiang
期刊/来源: Statistical Methods in Medical Research
机构: Nanyang Technological University
分类: vol 35 · issue 6 · pp 1281-1294
相关性 5/10 · novelty: new_method
摘要: 本文在 mixture cure model 框架下处理区间删失数据，目标是估计 cure probability（incidence component）和 uncured 个体的生存分布（latency component）。核心创新在于将 incidence component 从传统 logistic 回归推广为半参数形式，允许协变量的非参数效应，同时 latency component 保持半参数结构，形成 double-semiparametric 框架。估计方法采用 spline-based sieve maximum likelihood，在适当的正则性条件下证明了估计量的 n^{-1/2}-consistency 和渐近正态性，并给出了非参数函数的收敛速率。模拟研究和心脏移植血管病变数据的实证分析验证了有限样本表现。对您而言，这是 sieve M-estimation 在复杂删失结构下的应用实例，涉及半参数效率理论和数值计算。
关键技术: sieve maximum likelihood estimation, B-spline approximation, mixture cure model, interval-censored data, semiparametric asymptotics
为什么对您有用: 本文连接到您 primary interest 中的 semiparametric theory 和 efficiency theory——sieve MLE 的渐近性质（收敛速率、渐近正态性）是您 very_familiar 的 minimax bounds 和 nonparametric statistics 的直接应用场景。从 technical_arsenal 角度，您可以用 moderately_familiar 的 semiparametric theory 和 M-estimation theory 攻本文的理论分析口子：例如验证 sieve 估计是否达到半参数效率界，或用 higher-order influence function 视角分析 bias correction。中期可做：需先在 moderately_familiar 的 semiparametric theory 上长肌肉（特别是 sieve 估计的效率界理论），但核心数学工具已在武器库内。

数理统计 / 假设检验 (hypothesis_testing, 1 篇)¶

1. 10.1177/09622802261439260 — The applicability to systematic reviews of common effect, random effects and fixed effects approaches to meta-analysis¶

作者: Richard J Stevens
期刊/来源: Statistical Methods in Medical Research
机构: University of Oxford
分类: vol 35 · issue 6 · pp 1243-1256
相关性 2/10 · novelty: survey
摘要: 本文系统比较了 meta-analysis 中三种方法的 estimand 定义与假设：common effect（传统 fixed effect）、random effects 与较新的 fixed effects（复数）方法。核心争议在于 fixed effects（复数）方法的目标参数由纳入研究的方差加权定义，导致 estimand 具有 post hoc 性质——总体由数据而非研究协议预先确定。作者通过数学分析指出，fixed effects（复数）方法需要额外假设各研究方差的抽样分布独立于效应大小，这在系统综述情境下不现实。模拟研究表明，fixed effects（复数）方法的置信区间未能覆盖其 post hoc estimand 的真实值，而 common effect 与 random effects 方法在各自假设下保持有效性。对您而言，这是一篇关于 estimand 定义与推断有效性的数学统计讨论，展示了假设违背如何导致推断失效。
关键技术: estimand definition, post hoc inference, confidence interval coverage, simulation study, fixed effect vs random effects
为什么对您有用: (1) 连接到 hypothesis testing 与数学统计基础——核心是 estimand 的明确定义与假设的精确性，这是您在 causal inference identification 理论中同样强调的要点。(2) 技术上可用 very_familiar 的 minimax bounds 与 estimation theory 视角审视其模拟设计是否充分覆盖参数空间，或用 moderately_familiar 的 M-estimation theory 分析其方差估计的渐近性质。(3) 暂不可做：本文是方法论批判性综述，novelty 为 survey 级别，无开放性理论问题；若对 meta-analysis 方法论感兴趣可作为背景阅读，但不建议投入深度研究时间。

流行病学 (epidemiology, 4 篇)¶

1. 10.1177/09622802261439259 — Quantifying the effects of air pollution on respiratory ill health treated in primary care when the locations of the populations at risk are partially unknown¶

作者: Qiangqiang Zhu, Duncan Lee, Oliver Stoner
期刊/来源: Statistical Methods in Medical Research
机构: University of Glasgow
分类: vol 35 · issue 6 · pp 1215-1229
相关性 5/10 · novelty: new_method
摘要: 本文研究空气污染（NO2、PM10、PM2.5）对苏格兰2016-2020年基层医疗中呼吸系统疾病处方率的影响，关注非住院患者这一被忽视的群体。主要挑战在于患者居住位置部分未知，导致暴露评估存在空间不确定性。采用贝叶斯时空条件自回归（CAR）模型刻画时空依赖，并创新性地提出两种基于GP手术患者人口空间分布的邻接矩阵，以替代标准距离邻接方法（如K近邻）。新矩阵更准确地反映患者群体间的空间相关性，提升了模型拟合。结果表明PM暴露与吸入性皮质类固醇处方率显著正相关，而NO2无显著效应。本文展示了流行病学中暴露测量不确定性的处理方法，与您对流行病学数据集和因果推断的兴趣相连，可启发测量误差校正或工具变量分析。
关键技术: Bayesian spatio-temporal CAR model, spatial neighborhood matrix, conditional autoregressive model, air pollution exposure assessment, respiratory epidemiology, K-nearest neighbours
为什么对您有用: 本文属于流行病学应用，与您的次要兴趣“流行病学（数据集、应用因果工作）”直接相关。具体而言，患者位置部分未知导致的暴露测量误差问题，可连接到您的因果推断工作（如测量误差校正或负对照设计）。您的技术武库中“estimation theory in causal inference”可用来分析位置不确定性对效应估计偏倚的影响，而“nonparametric statistics”可用于灵活建模暴露-响应关系的函数形式（例如空间变系数）。就后续工作判断：立即可做 — 利用您熟悉的因果推断识别策略（如工具变量或阴性对照）在类似数据中估计空气污染对处方的因果效应，无需额外工具。

2. 10.1177/09622802261445416 — Likelihood-based modeling of covariate-specific time-dependent receiver operating characteristic curves¶

作者: Ainesh Sewak, Vanda Inácio, Joanne Wuu, Michael Benatar, Torsten Hothorn
期刊/来源: Statistical Methods in Medical Research
机构: University of Bern · University of Edinburgh · University of Miami · University of Zurich
分类: vol 35 · issue 6 · pp 1325-1346
相关性 4/10 · novelty: application
摘要: 本文针对纵向研究中带删失的时间-事件结局，提出非参数正态预后生物标志物（NPB）框架，用于估计协变量特定的时间依赖ROC曲线。该方法对生物标志物和事件时间的联合分布进行参数化建模，假设经Box-Cox变换后服从多元正态分布（非参数正态分布），并通过极大似然估计联合模型参数。由此可导出给定协变量条件下不同时间点的ROC曲线、AUC等时变预后准确性指标。相比传统忽略协变量的时变ROC方法，NPB能够量化患者异质性（如年龄、发病部位、基因状态）对生物标志物预测精度的影响。在肌萎缩侧索硬化（ALS）数据中应用表明，血清神经丝轻链（NfL）的预后准确性随时间推移而变化，且依赖于患者特征。本文对您作为流行病学应用方向的入门阅读有价值，展示了似然框架处理协变量调整的时变ROC分析，但核心方法与您主要兴趣（如高维U统计量、半参效率理论）直接关联较弱。
关键技术: nonparanormal distribution, time-dependent ROC curve, covariate-specific accuracy, maximum likelihood estimation, prognostic biomarker evaluation, Box-Cox transformation
为什么对您有用: 本文属于流行病学应用，聚焦ALS预后生物标志物的时变准确性评估，可视为流行病学中因果/预测方法应用的gateway reading。您的武器库中‘非参数统计’可用于理解其非参数正态假设的稳健性，但后续深入需熟悉ROC及删失数据框架，属于暂不可做方向——核心缺失在于时变ROC的识别和估计方法不在您当前主要兴趣范围内。

3. 10.1177/09622802261442893 — Screening for diabetes mellitus in the US population using neural network-based modeling and complex survey designs¶

作者: Marcos Matabuena, Juan C Vidal, Rahul Ghosal, Jukka-Pekka Onnela
期刊/来源: Statistical Methods in Medical Research
机构: Cancer Research And Biostatistics · Mohamed bin Zayed University of Artificial Intelligence · Universidade de Santiago de Compostela · Center for Research in Molecular Medicine and Chronic Diseases · University of South Carolina
分类: vol 35 · issue 6 · pp 1257-1280
相关性 3/10 · novelty: application
摘要: 本文针对复杂调查设计（如NHANES）中的疾病风险预测问题，提出一个基于神经网络的通用预测框架，通过将调查权重直接嵌入损失函数来矫正选择偏倚，从而得到具有人口代表性的模型。为量化预测不确定性，作者引入基于共形推断（conformal inference）的预测区间构造方法，并对其加以调整以适应复杂调查数据的加权结构和聚类特征。在NHANES 2011–2014队列的糖尿病筛查案例中，不同复杂度、不同预测因子组合的模型在预测性能与经济成本之间实现了可权衡的折中，且保持了人口层面的泛化能力。该框架不限于糖尿病，可直接推广至其他疾病的临床预测模型。所有代码和数据已在GitHub公开，便于复现和扩展。对您（作为对流行病学应用和真实数据集感兴趣的统计研究者）而言，本文提供了一个集成调查加权与不确定性量化的现成分析流水线，其数据处理和评估思路可直接迁移至您未来在流行病学队列中的因果推断或预测建模工作。
关键技术: neural network with survey weights, conformal prediction for complex surveys, NHANES data, weighted loss function, risk score model
为什么对您有用: 本文属于流行病学（次要兴趣）中的应用论文，以NHANES真实数据演示了处理复杂调查设计的方法。文章本身是很好的入门读物，清晰解释了调查权重、共形推断的基本思想，不要求读者事先掌握复杂抽样理论。您的技术武库中'非参数统计'和'软件开发'可以直接用于理解其加权估计思路和复现代码；而'M估计理论'（中等熟悉）可用于分析加权损失函数的渐近性质。总体而言，本文值得花时间通读全文，因为其分析模式（加权预测+不确定性量化）对您未来在流行病学中做因果推断（如处理效应估计）时有借鉴意义。

4. 10.1177/09622802261442914 — When randomization is not random: Allocation bias in small sample, group sequential randomized clinical trials¶

作者: Daniel Bodden, Ralf-Dieter Hilgers, Franz König
期刊/来源: Statistical Methods in Medical Research
机构: Sigmund Freud Privatuniversität Wien · RWTH Aachen University · Medical University of Vienna
分类: vol 35 · issue 6 · pp 1295-1309
相关性 2/10 · novelty: application
摘要: 本文针对小样本双臂组序贯随机临床试验，量化分配偏倚（allocation bias）对检验决策的影响。分配偏倚源于随机化过程不完善，导致组间基线差异，该文基于Blackwell–Hodges收敛策略的偏倚政策定义偏倚量。方法上采用Lan–DeMets花费函数（Pocock、O’Brien–Fleming、Wang–Tsiatis型），并考虑无效边界（非约束/约束）及阶段重新随机化，通过模拟评估类型I错误和power。主要发现：限制性随机化程序（如小区组置换区组随机）使类型I错误膨胀最严重；在中期分析中分配更多alpha可降低膨胀；非约束无效边界能减少类型I错误，而约束无效边界在激进停止边界下反而加剧膨胀；阶段重新随机化对多数程序仅有微弱改善。结论：若无法排除分配偏倚（如开放标签试验），应推荐宽松随机化程序（如Big Stick设计）或使用大区组。对您有用：随机化是因果推断的基石，分配偏倚的量化方法可直接迁移至观察性研究中的敏感性分析，且模拟框架易于复现，可用于您感兴趣的临床试验因果推断与假设检验场景。
关键技术: allocation bias, group sequential designs, Lan-DeMets spending function, simulation-based bias quantification, Blackwell-Hodges convergence strategy
为什么对您有用: 本文聚焦随机化偏倚对类型I错误的影响，直接连接您的primary interest中的假设检验（类型I错误控制）和secondary interest中的流行病学临床试验应用。技术武库中您非常熟悉的'estimation theory in causal inference'可用于理解随机化偏倚如何影响因果估计的无偏性，而'software development'经验可帮助复现并扩展其模拟框架。该文系应用导向的方法评估，属'立即可做'范畴：您可直接吸收其偏倚量化策略并将其融入因果推断的敏感性分析工具箱。

其他 (other, 3 篇)¶

1. 10.1177/09622802261445414 — A quantile cure model with partially functional covariate effects¶

作者: Chyong-Mei Chen, Yingwei Peng
期刊/来源: Statistical Methods in Medical Research
机构: National Yang Ming Chiao Tung University · Queen's University
分类: vol 35 · issue 6 · pp 1310-1324
相关性 6/10 · novelty: new_method
摘要: 本文提出一种分位数混合治愈模型，其中潜伏生存时间用分位数回归建模，而治愈率通过逻辑回归刻画。估计方法基于双稳健的估计方程：当治愈率部分或潜伏时间部分之一被正确指定时，另一部分的估计仍保持一致，这弱化了传统分位数回归对全局对数线性假设的依赖。方法允许协变量效应随分位数水平变化或保持不变，更具灵活性。作者建立了估计量的渐近正态性，并通过模拟研究验证了双稳健性和有限样本效率。在肺癌数据中，发现未治愈的腺癌患者生存时间分位数显著长于鳞状细胞癌患者，这一结果未被先前分析报道。从方法论看，该工作属于生存分析与分位数回归的交叉领域，与您当前的主要兴趣方向（因果推断、高维统计、U-统计量等）不直接重合，但其中双稳健估计的思想与因果推断中的双稳健方法有形式上的可类比性。
关键技术: quantile regression, mixture cure model, double robustness, estimating equations, asymptotic normality
为什么对您有用: 本文主题为生存分析中的分位数回归混合治愈模型，不属于您列出的主要兴趣方向（因果推断、高维统计、半参效率、高阶U-统计量等）。它与流行病学应用（secondary interest）相关，但论文本身是方法论而非数据分析，且未涉及您熟悉的工具（如高阶U-统计量计算、minimax界、张量收缩等）。若您关注流行病学中的生存分析，可视为方法参考，但目前武器库中缺乏对分位数回归估计方程的直接经验，暂不可做。

2. 10.1177/09622802261420698 — Quantile inference for multivariate response regression in joint modeling of longitudinal and survival data¶

作者: Xiaoyu Niu, Xuejing Zhao
期刊/来源: Statistical Methods in Medical Research
机构: Lanzhou University of Finance and Economics
分类: vol 35 · issue 6 · pp 1145-1165
相关性 5/10 · novelty: new_method
摘要: 本文研究纵向多变量生物标志物与生存时间的联合建模问题，目标是在分位数回归框架下估计多变量纵向子模型与 Cox 生存子模型的回归参数。纵向子模型采用线性分位数混合模型，通过假设误差服从多元非对称 Laplace 分布并利用其 location-scale 混合表示实现计算效率；生存子模型采用 Cox 比例风险模型，通过共享随机效应连接两个过程。估计方法为 Monte Carlo EM 算法，E-step 使用 Metropolis-Hastings 采样近似。模拟表明在不同分位数水平、删失率和误差分布下参数估计准确，实证分析应用于原发性胆汁性肝硬化数据。本文属于纵向-生存联合建模的方法扩展，对您 primary interest 中的因果推断与半参数效率理论连接较弱。
关键技术: quantile regression mixed model, multivariate asymmetric Laplace distribution, location-scale mixture representation, Monte Carlo EM algorithm, shared random effects joint model
为什么对您有用: 本文属于纵向-生存联合建模的应用方法论文，与您 primary interest 中的因果推断、半参数效率理论、高维统计等方向的技术内核重叠有限。武器库中的 semiparametric theory / HOIF / higher-order U-statistics 均难以直接切入本文的技术口子——本文的核心是 MCEM 计算框架与 Bayesian 混合表示，而非效率界或 debiasing 问题。暂不可做：若要进入 joint modeling 方向，需先补充 longitudinal survival model 的似然理论与计算工具（如 MCEM、Gibbs sampling），这些目前不在武器库中。

3. 10.1177/09622802261435969 — PRO-ADD: Patient-empowered dose-finding trials integrating safety, preliminary efficacy and patient-reported outcomes for optimal dose selection¶

作者: Emily Alger, Sumithra J Mandrekar, Jun Yin, Christina Yap
期刊/来源: Statistical Methods in Medical Research
机构: WinnMed · Moffitt Cancer Center
分类: vol 35 · issue 6 · pp 1177-1198
相关性 2/10 · novelty: application
摘要: 在新型肿瘤药物开发中，传统剂量递增设计以最大耐受剂量（MTD）为目标，但免疫疗法/靶向疗法下疗效与剂量不一定单调，需转向最优剂量识别。本文提出PRO-ADD模块化试验设计框架，整合三类终点：临床医生评估的剂量限制毒性（DLT）、患者报告结局（PROs）以及初步疗效。核心在于利用PROs更全面地刻画耐受性曲线，并针对延长评估窗口的特点进行剂量优化。通过仿真评估，PRO-ADD能可靠地选出“最耐受且有效”的剂量，避免不必要地升级到无额外疗效的更高剂量。该方法属于适应性设计的应用延伸，不涉及新的统计推断理论，但整合了患者中心视角。对您作为统计学家，若关注流行病学/临床试验中的实用工具，此文可作为了解现代剂量优化设计（尤其是PROs融入）的入门读物。
关键技术: patient-reported outcomes, dose-finding trial, optimal dose selection, modular trial design, tolerability assessment, simulation-based evaluation
为什么对您有用: 本文属于肿瘤临床试验剂量设计应用，连接您secondary interest中的流行病学（临床试验设计）。但该方法更偏向实用框架，统计新颖性有限：未使用因果推断、高维工具或半参效率理论。作为gateway reading，本文清晰展示了一个融合患者报告结局的剂量选择流程，若您未来涉足临床试验中的患者偏好分析或个性化剂量问题，可从此文入手。目前您的武器库（非参数、因果推断）与之直接对口程度一般，暂不可做实质性拓展——缺临床试验设计领域的具体知识框架。可列为轻度关注，不推荐深度阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub