跳转至

SMMR — Vol 35 Issue 10 · 2026-10-12

  • 共 12 篇 · Statistical Methods in Medical Research
  • 目录核对 ✅ 12 篇全部抓到(对照 OpenAlex 13 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。

这一期共 12 篇,主线大致可归为四类:临床试验设计与自适应方法(6 篇)、假设检验与多重比较(1 篇)、生存分析与因果推断(2 篇)、以及预测模型与测量误差校正(3 篇)。其中临床试验设计占据近半篇幅,且多数涉及贝叶斯方法或因果调整思想;假设检验与生存分析各有一篇方法论上较独立的贡献;预测模型与流行病学设计则偏向应用导向的工具开发。

最突出的一条主线是临床试验设计的贝叶斯自适应与分层方法。CR-EffTox 将 I/II 期剂量-方案优化置于竞争风险框架下,用 cause-specific hazard 建模 DLT 与疾病进展,并引入基于生存曲线的满意度评分;Robust Bayesian hierarchical models for basket trials 则把毒性与疗效的联合建模推广到篮子试验,允许亚组间效应向量可交换或不可交换,并显式建模毒-效相关性。两篇都强调在异质性亚组或竞争风险下避免信息借用不当带来的偏差,方法上均以贝叶斯分层先验为核心工具。另一篇 Adaptive design strategies using simulated annealing 则从分配规则入手,用模拟退火统一 CA/RA/CARA 设计,并以 BART 拟合响应面,属于计算驱动的自适应设计;其与前述两篇的互补在于前者关注剂量-方案选择,后者关注入组分配策略。

第二条主线是因果推断与人群异质性在试验设计中的渗透。Built-in selection bias in proportional hazards models 直接指出 Cox 模型在遗漏协变量时风险比的条件性偏倚,即使随机化下也存在,并比较 frailty 模型、AFT 与 Kaplan-Meier 差异等替代;A propensity score-integrated win ratio method 则将倾向得分加权引入复合终点分析,用于外部对照数据借用。两篇共同点在于处理「非随机或条件性比较」带来的偏倚,但前者针对生存结局的模型内在机制,后者针对人群分布差异。此外,Inclusive designs 讨论部分合格参与者的随机化比例与分析策略,虽未冠以因果之名,但其对亚组析取功效的讨论与异质性处理直接相关。样本量计算方面,SMART 设计一文处理偏态结局的样本量公式,属于自适应干预设计的应用型补充。

假设检验方面,Combining dependent p-values 一文针对相关 p 值合并问题,提出基于经验零分布估计与插补的两步去相关程序,在基因组数据中控制第一类错误,方法上属于重抽样与经验分布估计的结合,与高维多重比较相关。预测模型与流行病学设计方面,A general mixture loss function 联合优化区分度与校准度并自动选择子人群大小;Sample size determination for bridging study 用潜在变量模型处理多中心测量异质性,推导桥接研究样本量公式;Multiple-use prediction 则给出多重与多项式回归的精确同时容忍带,属有限样本推断工具。

若按主题优先阅读:因果推断方向可先看 Built-in selection bias 与 propensity score-integrated win ratio;半参数效率与生存分析关注前者对 Cox 模型偏倚的量化;高维与多重比较看 Combining dependent p-values;临床试验方法学则 CR-EffTox 与 basket trials 分层模型最具方法论密度。

因果推断 (causal_inference, 5 篇)

1. 10.1177/09622802261485825 · arXiv — Built-in selection bias in proportional hazards models with omitted covariates: Simulation evidence and alternative approaches

  • 作者: Ayoub Bifenzi, Helene Jacqmin-Gadda
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Inserm · Bordeaux Population Health
  • 分类: vol 35 · issue 10 · pp 2237-2259
  • 相关性 6/10 · novelty: survey
  • 摘要: 本文聚焦于生存分析中 Cox 比例风险模型估计的治疗风险比(hazard ratio)在存在未观测异质性时的内置选择偏倚问题。由于风险比天然依赖于每个时间点的存活条件,即使协变量与处理在基线独立(如随机对照试验),遗漏影响结局的协变量也会导致偏倚。作者通过模拟研究,在多种未观测异质性场景下量化了半参数 Cox 模型和参数比例风险模型的偏倚程度。随后比较了若干替代方法,包括 frailty 模型估计的风险比、加速失效时间模型的回归参数、以及基于 Kaplan-Meier 曲线或含时变处理效应的 Cox 模型的生存差异。最后,利用 RTOG9202 随机对照试验数据展示了这些替代方法的实际应用。本文属于方法学综述加模拟验证性质,对生存分析中因果效应估计的稳健性提供了实用指导。
  • 关键技术: Cox proportional hazards model, frailty models, accelerated failure time model, Kaplan-Meier curves, time-dependent treatment effect, simulation study
  • 为什么对您有用: 本文直接关联因果推断中处理效应估计的稳健性问题,特别是随机对照试验中非可压缩性导致的偏倚,与您的因果推断兴趣(如敏感性分析、纵向数据)高度相关。您可以用非常熟悉的非参数统计和估计理论工具,批判性地评估其模拟设计或替代方法的效率性质,属于立即可做的范畴。

2. 10.1177/09622802261478737 — A propensity score-integrated win ratio method for placebo borrowing

  • 作者: Yurong Chen, Michael Sonksen, Tuo Wang, Yingdong Feng, Joon Jin Song
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Baylor University · Eli Lilly (United States)
  • 分类: vol 35 · issue 10 · pp 2116-2128
  • 相关性 6/10 · novelty: new_method
  • 摘要: 本文针对罕见病临床试验中外部对照数据借用问题,提出将倾向得分(PS)整合进 win ratio 分析的新方法。在复合终点分析中,win ratio 允许按临床重要性对多个终点进行优先比较,但直接合并不同研究的数据会因人群差异产生偏倚。作者提出两种基于 PS 的加权方法——PS-ratio 和 PS-difference——来调整研究间基线协变量差异,从而缓解潜在偏倚。通过模拟研究和真实案例分析,所提方法在控制 I 类错误的同时持续提高统计功效。该框架为使用外部对照的复合终点分析提供了稳健实用的解决方案,尤其适用于罕见病试验和监管决策。对您而言,该方法将因果推断中的倾向得分加权思想应用于临床试验的复合终点分析,是 causal inference 在流行病学/临床试验应用中的一个具体案例,值得关注其加权策略与 win ratio 结合的理论性质。
  • 关键技术: propensity score weighting, win ratio, external control borrowing, composite endpoints, simulation study
  • 为什么对您有用: 本文属于 causal inference 在临床试验中的应用,具体涉及倾向得分加权和外部对照数据借用,与您的 primary interest 中 causal inference 的估计方法相关。您可以用 very_familiar 的 estimation theory in causal inference 来审视其加权估计量的渐近性质,例如 PS-ratio 和 PS-difference 的方差估计是否最优。中期可做:若想深入其 semiparametric 效率,需在 moderately_familiar 的 semiparametric theory 上加强。

3. 10.1177/09622802261478572 — Bayesian variable selection for joint models of heterogeneous longitudinal variables and a binary outcome

  • 作者: Lingpeng Shan, Michelle J Naughton, Electra D Paskett, Michael L Pennell
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: The Ohio State University
  • 分类: vol 35 · issue 10 · pp 2147-2163
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对生物医学研究中混合类型纵向数据(如临床、生活方式变量)与二元健康结局的关联分析,提出两种结构化的贝叶斯变量选择策略。在联合模型(JM)框架下,JM1 仅对结局进行变量选择,而 JM2 同时对结局和纵向轨迹进行两级选择。方法采用收缩先验处理高维预测变量和交互项,并扩展基于错误发现率(FDR)的规则以适应分组分类预测变量。通过 Women's Health Initiative 和 Life and Longevity After Cancer 研究数据,识别出乳腺癌幸存者治疗后失眠的关键预测因子,且发现了一个传统方法遗漏的变量。该方法在统计功效和可解释性上具有优势,但主要贡献在于贝叶斯变量选择与联合模型的结合,而非全新的因果推断理论。
  • 关键技术: Bayesian variable selection, joint models, shrinkage priors, false discovery rate control, mixed-type longitudinal data
  • 为什么对您有用: 本文属于纵向数据因果推断/关联分析的应用,与您的 primary interest 中 longitudinal causal inference 和 secondary interest 中流行病学应用相关。虽然方法学新颖性有限,但数据集和分析流程(如处理不规则收集的混合类型纵向数据)可能对您有参考价值。从技术武器库看,您对因果推断估计理论很熟悉,但贝叶斯变量选择和 FDR 控制并非您的核心工具,因此属于中期可做:需先熟悉贝叶斯收缩先验和 FDR 规则。

4. 10.1177/09622802261485814 — Sample size calculation for the sequential multiple assignment randomized trial (SMART) design with a skewed outcome: Application to the SMART+ study

  • 作者: Arijit Dey, Xiaoxi Yan, Bibhas Chakraborty
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Duke University · Duke-NUS Medical School · National University of Singapore
  • 分类: vol 35 · issue 10 · pp 2220-2236
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对序贯多分配随机试验(SMART)设计中结局变量呈偏态分布时的样本量计算问题展开研究。现有SMART样本量公式多基于正态性假设,而实际应用中(如数字干预试验)结局常呈偏态,本文在SMART框架下分别推导了基于精度和基于功效的样本量公式,适用于预试验和正式试验。方法上,作者利用广义线性模型框架处理偏态结局,并给出相应的参数估计和检验统计量,进而构建样本量公式。通过大量模拟研究验证了公式在不同设计参数下的操作特性,包括覆盖率、功效和精度。最后将公式应用于SMART+研究(一个数字干预试验),展示了其在实际规划中的实用性。对您而言,本文属于因果推断中自适应干预设计的应用型方法学工作,其样本量计算思路可迁移至您关注的纵向因果推断研究设计,但方法学新颖性有限。
  • 关键技术: SMART design, sample size calculation, skewed outcomes, generalized linear models, precision-based and power-based formulas
  • 为什么对您有用: 本文属于因果推断中自适应干预设计的应用型方法学工作,直接关联您primary interest中的纵向因果推断和试验设计。您可用very_familiar的估计理论(如M估计)来审视其公式的渐近有效性,或将其样本量方法推广到更复杂的因果估计量(如g-formula)中。中期可做:需在semiparametric theory上加强以处理更一般的偏态分布。

5. 10.1177/09622802261475687 — 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
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: King's College London · University of Southampton · University of Warwick
  • 分类: vol 35 · issue 10 · pp 2095-2115
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对多臂随机对照试验中因参与者需对所有臂均合格而导致的入组受限问题,提出一种‘差异化随机化’的包容性设计,允许参与者仅对部分臂合格,从而最大化入组人群。在正态结局、优效性比较的三臂设计下,通过模拟研究评估了多种分析策略的性能,包括成对或整体回归分析、基于患病率合并汇总统计量的平均法,以及元分析框架。研究发现,当使用成对数据分别分析多对一比较时,各亚人群内等比例分配比跨臂等比例分配能带来更高的析取功效;而使用单一回归分析所有数据时则相反。此外,协变量与结局关系的异质性会影响推断性质。该研究为包容性试验设计的随机化比例和分析策略提供了实证指导,对因果推断中处理人群异质性和入组限制问题具有参考价值。
  • 关键技术: differential randomization, inclusive design, simulation study, pairwise regression, meta-analysis framework, disjunctive power
  • 为什么对您有用: 本文属于因果推断中随机化试验设计的应用研究,直接关联您对因果推断(特别是试验设计和分析策略)的兴趣。您可运用非常熟悉的因果推断估计理论(如IPW或G-computation)来形式化地分析差异化随机化下的识别和估计效率,中期可尝试用半参数理论推导其效率界,以验证模拟中观察到的功效差异。

数理统计 / 假设检验 (hypothesis_testing, 2 篇)

1. 10.1177/09622802261480383 — Combining dependent p-values with transformation using empirical distribution of correlated data and its application for genomic data

  • 作者: Junsik Kim, Junyong Park
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Duksung Women's University · Seoul National University
  • 分类: vol 35 · issue 10 · pp 2129-2146
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文针对大规模假设检验中合并相关 p 值的问题,提出了一种新方法,旨在控制复杂依赖结构下的第一类错误率。现有方法如基于重尾分布变换或估计检验统计量相关矩阵的方法,在复杂依赖下常失效或依赖不切实际的假设。作者提出两步骤程序:首先,通过迭代算法估计依赖数据的经验零分布函数,该算法结合了从估计零分布模拟数据的插补;其次,基于估计的经验零分布生成修正的 p 值,并证明这些修正 p 值去相关。合并这些修正 p 值相比现有方法能更准确地控制第一类错误,并通过插补策略提高统计功效,同时保持对各种依赖结构的稳健性。大量数值研究和真实数据应用(如基因组数据)验证了该方法在控制第一类错误和检验功效方面的有效性。
  • 关键技术: empirical null distribution estimation, iterative imputation algorithm, p-value decorrelation, dependent p-value combination, large-scale hypothesis testing
  • 为什么对您有用: 本文直接关联您的主要兴趣之一——假设检验,特别是大规模多重检验中依赖 p 值的合并问题。您熟悉的非参数统计和估计理论可用于分析其经验零分布估计的收敛性质,而您在高维统计方面的背景有助于评估其在高维基因组数据中的表现。

2. 10.1177/09622802261470084 — Multiple-use prediction and calibration for all future values: Exact simultaneous tolerance bands for multiple and polynomial regressions

  • 作者: Lingjiao Wang, Yang Han, Wei Liu, Frank Bretz
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of Manchester · University of Southampton · Novartis (Switzerland) · Medical University of Vienna
  • 分类: vol 35 · issue 10 · pp 2076-2094
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文研究多重回归与多项式回归中,对所有未来观测值同时有效的预测与校准问题,目标是在给定矩形协变量区域或区间上构造精确的 simultaneous tolerance bands (STBs)。作者首先填补了矩形区域上多重回归精确 STB 构造的空白,然后提出一个统一的 STB 形式,并开发了计算所有 STB(含文献已有形式)临界常数的通用方法。文中还提出一种新的 STB,并在 average shift (AS) 准则下与多种现有形式比较,数值结果显示新 STB 在 AS 准则下最优,因此被推荐使用。此外,作者给出了计算高效的算法,并用真实医学数据示例说明。对您而言,该文涉及精确有限样本推断与多重比较校正,与您假设检验和统计计算兴趣相关,其临界常数计算方法或可迁移至其他同时推断问题。
  • 关键技术: simultaneous tolerance bands, multiple regression, polynomial regression, critical constants computation, average shift criterion
  • 为什么对您有用: 该文属于假设检验与统计推断方向,具体涉及多重回归中的同时容差带构造,与您的 primary interest 中 mathematical statistics (hypothesis testing) 直接相关;其计算临界常数的算法可作为 statistical computing 的案例,您可用 very_familiar 的软件开发和数值方法技能复现或扩展;属于立即可做的 follow-up,因为核心工具(数值积分、优化)已在武器库中。

流行病学 (epidemiology, 1 篇)

1. 10.1177/09622802261468023 — Sample size determination for a prospective bridging study to harmonize retrospective data from multiple studies—Application to a biofluid biomarker study of Alzheimer’s disease

  • 作者: Chengjie Xiong, Yuzheng Nie, Jingqin Luo, Ruijin Lu, David Wolk, Leslie M Shaw et al.
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Washington University in St. Louis · University of Pennsylvania · University of Wisconsin–Madison · William S. Middleton Memorial Veterans Hospital
  • 分类: vol 35 · issue 10 · pp 2047-2060
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对多中心回顾性生物标志物研究中,因不同检测平台或方案导致的测量异质性问题,提出前瞻性桥接研究(bridging study)的样本量确定方法。作者将观测到的各研究生物标志物视为潜在真实生物标志物的带噪声版本,目标是估计该真实标志物与标准临床结局之间的生物学相关性。方法上,基于潜在变量模型和相关性估计的精度要求,推导桥接研究所需重测样本量的解析公式,并考虑不同研究间测量误差的异质性。作者利用阿尔茨海默病多中心脑脊液(CSF)生物标志物数据,展示了仅需少量CSF样本即可设计桥接研究以估计标志物与认知功能结局的相关性。该工作为流行病学中数据整合与测量误差校正提供了实用的设计工具,其潜在变量框架与测量误差模型思想可迁移至因果推断中的测量误差问题。
  • 关键技术: latent variable model, measurement error model, sample size determination, bridging study design, correlation estimation
  • 为什么对您有用: 本文属于流行病学应用,涉及生物标志物数据整合与测量误差,与您的流行病学应用兴趣直接相关。其潜在变量框架可启发因果推断中处理测量误差的识别策略,但方法学新颖性有限,主要是应用导向。作为入门读物,本文清晰展示了多中心数据整合的实际问题与设计考量,但统计方法较为常规,武器库足以理解。若您关注测量误差对因果效应估计的影响,可从中提取问题设定,但无需深入方法细节。

其他 (other, 4 篇)

1. 10.1177/09622802261488055 · arXiv — A general mixture loss function to optimize a personalized predictive model

  • 作者: Tatiana Krikella, Joel A Dubin
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: York University · University of Waterloo
  • 分类: vol 35 · issue 10 · pp 2182-2199
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对精准医疗中的个性化预测模型(PPM),提出一种广义混合损失函数,用于联合优化模型区分度(如AUC)与校准度,并允许用户指定性能指标及其相对权重。通过该损失函数,可同时调整用于拟合PPM的相似子人群大小,实现子人群规模的自动选择。作者通过大量模拟研究确定了子人群规模的实用网格边界,推荐下界为训练集的20%、上界为70%,以降低计算负担。在模拟和真实数据上的应用表明,子人群规模与模型性能之间的既有关系是稳健的,且损失函数中性能指标的选择会影响最优子人群规模。该方法为精准健康研究中PPM的灵活、计算高效实现提供了支持。
  • 关键技术: personalized prediction models, mixture loss function, discrimination and calibration, subpopulation size tuning, simulation study
  • 为什么对您有用: 本文属于统计方法在医学中的应用,涉及预测模型的优化与校准,与您的主要兴趣(如semiparametric theory、efficiency)关联较弱,但可作为统计计算与算法在应用领域的参考。作为gateway reading,本文对统计学家而言入门性一般,方法学新颖性有限,但展示了损失函数设计在个性化医疗中的实际价值。

2. 10.1177/09622802261488058 — Adaptive design strategies for ethical and efficient clinical trials using simulated annealing

  • 作者: Rosamarie Frieri, Francesco Mariani, Marco Novelli
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of Bologna
  • 分类: vol 35 · issue 10 · pp 2200-2219
  • 相关性 4/10 · novelty: new_method
  • 摘要: 本文提出一种基于随机模拟退火的灵活自适应设计策略,用于临床试验中的治疗分配。该框架统一并模块化地实现了协变量自适应(CA)、响应自适应(RA)、协变量校正响应自适应(CARA)以及混合RA+CA和CARA+CA设计,支持多治疗、不同结局类型和任意基线协变量。分配规则结合模拟退火推荐与回退随机化步骤以保证正分配概率,并兼容参数与非参数预测模型,本文采用贝叶斯加性回归树(BART)捕捉复杂协变量-响应关系。在有限分层设定下,作者证明了分层样本均值估计量的强相合性。大量模拟(含同质与异质处理效应)表明该方法在伦理分配与统计效率间取得良好权衡,并通过ACTG 175试验的重设计展示了实际优势。
  • 关键技术: simulated annealing, adaptive randomization, Bayesian additive regression trees, covariate-adjusted response-adaptive (CARA) designs, strong consistency
  • 为什么对您有用: 本文属于临床试验自适应设计的方法学工作,与您的因果推断(纵向、中介)和统计计算兴趣有间接关联,但并非直接推进您的主要研究方向。作为应用导向的统计方法论文,其模拟退火优化与BART结合的策略可能对您在高维或非参数估计中的计算问题有启发,但整体相关性中等偏低。

3. 10.1177/09622802261483484 — A Bayesian phase I/II trial design to optimizing dose–schedule regimen with competing risk outcomes

  • 作者: Wenyun Yang, Bosheng Li, Fangrong Yan
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: China Pharmaceutical University
  • 分类: vol 35 · issue 10 · pp 2164-2181
  • 相关性 4/10 · novelty: application
  • 摘要: 本文提出 CR-EffTox,一个贝叶斯自适应 I/II 期临床试验设计,用于在早期肿瘤试验中优化剂量-给药方案组合。研究问题是在存在竞争风险(疾病进展 DP 和剂量限制毒性 DLT)的情况下,联合建模时间-事件 DLT 和 DP,采用 cause-specific hazard 函数,并允许在不同剂量-方案组合间进行动态信息借用。设计引入了一个基于 cause-specific 生存曲线的新满意度评分来量化获益-风险权衡,以指导方案选择。通过大量模拟评估操作特性,结果显示该方法在正确选择概率和患者安全(减少次优方案分配)方面优于忽略竞争风险或信息借用的方法。
  • 关键技术: Bayesian adaptive design, cause-specific hazard functions, dynamic information borrowing, satisfaction score, competing risks
  • 为什么对您有用: 本文属于临床试验设计领域,与您的主要兴趣(因果推断、高维统计等)无直接重叠,但其中对竞争风险的处理和贝叶斯自适应设计可能对您在流行病学应用中的因果推断有间接启发。作为 gateway reading,本文对统计学家而言可读性尚可,但方法学新颖性有限,主要贡献在于应用层面。

4. 10.1177/09622802261465336 · arXiv — Robust Bayesian hierarchical models for basket trials enabling joint evaluation of toxicity and efficacy

  • 作者: Zhi Cao, Pavel Mozgunov, Haiyan Zheng
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of Cambridge · University of Bath
  • 分类: vol 35 · issue 10 · pp 2061-2075
  • 相关性 4/10 · novelty: application
  • 摘要: 本文针对篮子试验(basket trials)提出两种贝叶斯分层模型,用于同时评估多个患者亚组中的毒性与疗效,并考虑亚组间治疗效应的异质性。第一种模型假设亚组特异性的毒性和疗效效应向量可交换或不可交换;第二种模型允许毒性或疗效参数分别可交换或不可交换。双变量可交换/不可交换分布引入毒性与疗效效应之间的相关系数,而当仅毒性或疗效可交换时则设定相关系数为零。模拟研究表明,与标准贝叶斯分层模型和独立分析相比,所提模型在不同场景下表现稳健,尤其在毒性或疗效效应可交换时具有更高的检验功效;当毒性与疗效效应存在显著相关时,所提方法的错误率更低且功效更高。对您而言,本文属于贝叶斯分层模型在临床试验中的应用,与您的主要兴趣(因果推断、半参数理论)关联较弱,但可作为流行病学或临床试验中联合终点建模的入门参考。
  • 关键技术: Bayesian hierarchical model, bivariate exchangeability, basket trials, toxicity and efficacy joint modeling
  • 为什么对您有用: 本文属于临床试验统计方法,与您的流行病学应用兴趣有间接关联,但方法学上以贝叶斯分层建模为主,与您的主要兴趣(因果推断、半参数效率理论)重叠有限。作为流行病学方向的入门读物,本文对联合终点建模有一定参考价值,但武器库(如半参数理论、U统计量)并非直接适用,暂不建议深入阅读。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论