跳转至

SMMR · 2026-10-12

  • 共 10 篇 · Statistical Methods in Medical Research

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10篇论文,主线大致可归为三类:生存数据中的因果推断与混杂处理(含双重稳健估计、未测量混杂偏倚校正、双系统估计)、治愈率模型的扩展与计算(含高维影像、区间删失、双变量、贝叶斯混合)、以及函数型数据与临床试验设计中的方法创新。另有少量流行病学应用型建模(如EHR数据PIC模型)和综述性工作(RAR实践)。

最突出的是生存因果推断与治愈率模型的交叉。Doubly robust estimation of causal survival effects 将逆概率加权与半参数AFT结合,处理右删失和高维混杂,并用自适应稀疏组lasso同时筛选治疗与结局模型;Mixture cure rate model with artificial neural network 则用神经网络建模治愈概率,在区间删失下建立筛估计的渐近正态性和半参数有效性,两者分别从变量选择和效率理论切入,但共享“治愈/生存”这一结构。A regularized semiparametric cure-rate model 进一步将治愈率模型推向高维影像数据,用Bernstein样条表示脑区系数,EM算法交替更新,与前述神经网络版本形成对照——一个强调稀疏性,一个强调灵活性。

另一条主线围绕未测量混杂与总体规模估计。A flexible Monte Carlo quantitative bias analysis 通过建模未测量混杂未被已测量变量解释的部分,减少偏倚参数数量,适用于GLM和Cox模型,并发布Stata/R实现;Generalizing the two sources capture–recapture estimator 则用分层和对数线性模型处理两来源依赖,提出strata-adjusted Chapman估计量,并给出两种半参数bootstrap区间。两篇都针对观测数据中的结构性问题,前者偏敏感性分析,后者偏抽样框架,但都强调协变量信息的利用。此外,A Bayesian adaptive shift-mixture approach 在小规模疫情中估计潜伏期,用移位狄利克雷过程混合,与治愈率模型中的混合思想呼应,但目标不同。

与因果推断最直接相关的是前两篇(生存因果效应、未测量混杂QBA),适合关注识别与偏倚校正的读者;半参数效率方向可优先看神经网络治愈率模型(含渐近理论)和双系统估计(含半参数bootstrap);高维方向则看正则化治愈率模型和函数型数据分类(LassoNet)。其余如双变量治愈率、EHR的PIC模型、RAR综述,分别适合生存分析、应用贝叶斯和临床试验设计兴趣的读者。

因果推断 (causal_inference, 4 篇)

1. 10.1177/09622802261488051 — Doubly robust estimation of causal survival effects via inverse probability of treatment and censoring weighting and semi-parametric AFT models with variable selection

  • 作者: Chien-Lin Su
  • 期刊/来源: Statistical Methods in Medical Research
  • 相关性 8/10 · novelty: application
  • 摘要: 本文针对存在右删失和高维混杂的生存数据,提出估计二元处理对生存结局平均因果效应的多种估计量,包括双重加权估计量、基于回归模型的估计量和双重稳健估计量。所提出的双重稳健估计量在治疗模型或生存结局的半参数回归模型之一正确设定时具有一致性。为在高维协变量中识别重要混杂,提出基于自适应稀疏组 lasso 正则化的变量选择技术,可同时对治疗模型和结局模型进行变量选择和正则化。通过模拟研究评估了所提方法的性能,并应用于两个真实数据集。本文的方法结合了逆概率加权和半参数 AFT 模型,为生存因果推断提供了实用工具。对您而言,该文与您的因果推断兴趣中的纵向和生存数据方向相关,其双重稳健估计和变量选择策略可借鉴于您的研究。
  • 关键技术: doubly robust estimation, inverse probability of treatment and censoring weighting, semiparametric AFT model, adaptive sparse group lasso, variable selection
  • 为什么对您有用: 该文属于因果推断中生存结局的应用型方法研究,与您的因果推断兴趣(特别是纵向和删失数据)直接相关。您可运用您非常熟悉的估计理论(如双重稳健估计)和变量选择工具(如 lasso)来评估其方法在您关注的场景下的表现。中期可做:若想深入其高维变量选择的理论性质,需在 moderately_familiar 的 semiparametric theory 上加强。

2. 10.1177/09622802261488056 — A flexible Monte Carlo quantitative bias analysis for unmeasured confounding

  • 作者: Emily Kawabata, Chin Yang Shapland, Tom Palmer, David Carslake, Kate Tilling, Rachael Hughes
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of Bristol · MRC Integrative Epidemiology Unit
  • 相关性 7/10 · novelty: new_method
  • 摘要: 本文提出一种灵活的蒙特卡洛定量偏倚分析(QBA)方法,用于处理观测研究中未测量混杂导致的偏倚。该方法适用于广义线性模型或生存比例风险模型,允许暴露和已测量混杂变量为二值、连续或分类,允许未测量混杂与已测量混杂相关,并支持一个或多个二值或连续的未测量混杂。为减少偏倚参数数量,作者不直接对未测量混杂建模,而是对其未被已测量混杂解释的部分建模。通过数据实例和模拟研究,作者展示了在信息性先验下,该方法能在多种场景下几乎消除未测量混杂偏倚,且性能与贝叶斯 QBA 相当。该方法将作为 Stata 命令和 R 包 qbaconfound 发布。
  • 关键技术: Monte Carlo quantitative bias analysis, probabilistic bias analysis, unmeasured confounding, generalized linear model, proportional hazards model, bias parameters
  • 为什么对您有用: 本文属于因果推断中敏感性分析的具体实现,直接对应您对敏感性分析的兴趣。您可以用您熟悉的估计理论(如 influence function)来审视其偏倚校正的渐近性质,或将其与更现代的 debiased ML 方法对比。中期可做:将您的 HOIF 工具用于推导该 QBA 估计量的高阶偏差修正。

3. 10.1177/09622802261491945 — Generalizing the two sources capture–recapture estimator for covariate information

  • 作者: Patarawan Sangnawakij, Rattana Lerdsuwansri, Parawan Pijitrattana, Peter Schlattmann, Antonello Maruotti, Dankmar Böhning
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Thammasat University · Jena University Hospital · Libera Università Maria SS. Assunta · Khalifa University of Science and Technology · University of Southampton
  • 相关性 6/10 · novelty: application
  • 摘要: 本文针对双系统估计(dual system estimation)中两来源独立假设常不成立的问题,提出利用协变量信息进行分层或纳入对数线性模型以改进总体规模估计。在分层框架下,作者推广了 Chapman 估计量,提出 strata-adjusted Chapman 估计量;同时采用对数线性建模处理协变量信息。为量化估计不确定性,提出了两种半参数(imputed)bootstrap 方法,一种固定模型,另一种在每次重抽样中纳入模型选择。模拟研究表明,利用协变量信息的方法(分层或对数线性)在偏差和均方误差上一致优于忽略异质性的未调整估计量;在区间估计方面,纳入模型选择的 imputed bootstrap 在异质和稀疏场景下覆盖概率接近名义水平,优于固定模型 bootstrap 和正态近似区间。应用实例为估计柬埔寨自杀人数和泰国海洛因使用者人数。对您而言,该文涉及捕获-再捕获与隐总体估计,与您的因果推断(特别是纵向和测量误差)及流行病学应用兴趣相关,其 bootstrap 不确定性量化方法可借鉴。
  • 关键技术: capture-recapture, dual system estimation, Chapman estimator, log-linear model, imputed bootstrap, model selection
  • 为什么对您有用: 该文属于流行病学应用中的隐总体估计问题,与您的 secondary interest 流行病学(应用因果工作)直接相关;其利用协变量分层和 bootstrap 不确定性量化方法,可迁移至您熟悉的因果推断中的测量误差或缺失数据场景。从技术武器库看,您对 M-估计和半参数理论熟悉,可立即评估其 bootstrap 方法的理论性质(如覆盖概率的渐近有效性),属于立即可做的方向。

4. 10.1177/09622802261427330 — A practical review of response-adaptive randomization: Under-explored challenges and potential directions

  • 作者: Hao Mei, Xiaolin Xu, Hang Yang, Fan Wang, Yang Li
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Renmin University of China
  • 相关性 4/10 · novelty: survey
  • 摘要: 本文是一篇关于响应自适应随机化(RAR)在临床试验中应用的实用综述,覆盖2015至2024年的实践。作者首先指出RAR虽能通过动态调整分配概率提升统计效率、伦理性和参数估计稳健性,但实际应用仍有限。综述分类了多种RAR方法,并重点讨论了处理多样患者结局类型、重复测量和缺失数据等实际挑战。针对这些挑战,作者提出了实用解决方案,并指出了现有方法的局限和未来研究方向。该综述旨在弥合RAR理论与实践之间的鸿沟,促进其在临床试验中的更广泛应用。对于您而言,本文可作为连接因果推断中纵向数据与缺失数据处理的桥梁,其讨论的重复测量和缺失数据问题与您的纵向因果推断兴趣直接相关。
  • 关键技术: response-adaptive randomization, sequential allocation, missing data, repeated measurements, clinical trial design
  • 为什么对您有用: 本文属于应用性综述,与您的因果推断(纵向、缺失数据)和流行病学应用兴趣相关。虽然方法学新颖性有限,但可作为了解RAR在实际临床试验中处理复杂数据结构的入门读物。武器库中的非参数统计和因果推断估计理论足以支撑您理解其方法,但本文未涉及深层理论,故暂不可做直接的方法学拓展。

非参数 / 半参数 (nonparam_semipara, 1 篇)

1. 10.1177/09622802261495091 — Mixture cure rate model with artificial neural network for interval-censored data

  • 作者: Junyao Ren, Shishun Zhao, Dianliang Deng, Shuwei Li
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of Regina · Jilin University · Guangzhou University
  • 相关性 5/10 · novelty: new_method
  • 摘要: 本文针对区间删失数据提出了一种灵活的混合治愈率模型,其中治愈概率由人工神经网络建模,未治愈个体的潜伏事件时间由比例风险模型刻画。通过单调样条逼近累积基线风险函数,结合期望最大化算法、多重插补策略和弹性反向传播,求解筛极大似然估计量。理论上建立了筛估计量的一致性和收敛速度,并证明了回归参数估计量的渐近正态性和半参数有效性。模拟实验表明所提方法优于比较方法,真实数据应用展示了更好的预测性能。对您而言,该工作将神经网络与半参数效率理论结合,其筛估计和渐近正态性证明思路可能对您在非参数/半参数理论方向有参考价值。
  • 关键技术: mixture cure rate model, artificial neural network, interval-censored data, sieve maximum likelihood, monotone splines, EM algorithm, multiple imputation, semiparametric efficiency
  • 为什么对您有用: 本文属于非参数/半参数理论方向,涉及筛估计和半参数效率,与您的primary interest中的semiparametric and nonparametric theory直接相关。您可以用very_familiar的非参数统计和minimax界工具来审视其收敛速度是否最优,或探索神经网络结构对效率的影响。中期可做:若想深入神经网络的理论性质,需在moderately_familiar的M估计理论上加强。

流行病学 (epidemiology, 1 篇)

1. 10.1177/09622802261495109 · arXiv — A Bayesian prevalence incidence cure model for estimating survival using electronic health records with incomplete baseline diagnoses

  • 作者: Matilda Pitt, Robert JB Goudie
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: University of Cambridge
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对电子健康记录(EHR)回顾性队列中基线疾病状态缺失的问题,提出了一种贝叶斯患病率-发病率-治愈(PIC)模型。该模型是三分量混合模型,结合了患病率-发病率(PI)模型与治愈模型,可同时估计患病率、发病时间分布和治愈比例,并允许各分量包含协变量效应。在模拟研究中,PIC模型在生存概率估计上的偏差小于PI模型和单纯治愈模型,并比较了模糊、信息性和错误设定先验下的推断表现。通过一个1964名糖尿病性黄斑水肿患者的真实数据集,展示了模型拟合的改进。该方法为流行病学中利用EHR数据进行生存分析提供了新的建模思路,但其核心是应用导向的贝叶斯混合模型,方法学新颖性有限。
  • 关键技术: mixture model, cure model, Bayesian inference, survival analysis, electronic health records
  • 为什么对您有用: 本文属于流行病学应用,使用贝叶斯混合模型处理EHR数据中的缺失基线诊断,与您的流行病学应用兴趣相关。作为入门读物,它清晰展示了真实世界数据中的建模挑战和解决方案,但方法学上未涉及您擅长的因果推断或半参数效率理论。武器库中的贝叶斯推断和生存分析知识足以理解全文,但无需深入方法学细节。值得一读以了解EHR数据分析的实际问题,但不必作为重点研读对象。

其他 (other, 4 篇)

1. 10.1177/09622802261483498 — A regularized semiparametric cure-rate model with high-dimensional imaging data

  • 作者: Jiahui Feng, Muye Nanshan, Haolun Shi, Kin Yau Wong, Kwok Fai Lam, Jiguo Cao
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: Simon Fraser University · Hong Kong Polytechnic University · Hong Kong Metropolitan University
  • 相关性 6/10 · novelty: application
  • 摘要: 本文提出一种正则化半参数混合治愈率模型,用于高维影像预测因子下的生存分析,目标是将对AD转化的易感性(incidence)与易感者中转化时间(latency)分离。基线MRI图像通过脑域三角剖分上的二元Bernstein样条基函数表示,并在incidence和latency两个分量上对影像效应施加稀疏性惩罚,从而直接估计局部系数函数。估计采用EM算法,交替更新潜在易感概率并求解惩罚逻辑回归和Cox回归子问题,同时设计了高效的调参策略。模拟研究表明该方法能恢复局部活跃区域,并提供有用的incidence和latency判别。在ADNI数据上的应用展示了易感性判别和可解释的脑区系数图。
  • 关键技术: Bernstein spline basis, triangulation, mixture cure-rate model, EM algorithm, penalized logistic regression, penalized Cox regression
  • 为什么对您有用: 本文属于半参数模型与高维数据结合的应用,与您的semiparametric & nonparametric theory和high-dimensional statistics兴趣有交集,但核心是生存分析中的cure-rate模型,而非您主攻的因果推断或U统计量。作为应用论文,其方法学新颖性有限,但影像数据的空间建模和正则化思路可能对您在高维统计计算方面有参考价值。

2. 10.1177/09622802261490778 — A Bayesian adaptive shift-mixture approach for estimating incubation period and exposure time in small outbreaks

  • 作者: Daisuke Yoneoka, Takayuki Kawashima, Yuta Tanoue, Shuhei Nomura, Akifumi Eguchi
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: The University of Tokyo · Institute of Science Tokyo · Tokyo University of Marine Science and Technology · Tohoku University · Keio University · Chiba University
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对小规模疫情中感染时间与潜伏期分布估计问题,提出感染诱导的自适应移位结点狄利克雷过程混合模型(IASK-DPM)。该模型在三参数对数正态核上对移位参数施加狄利克雷过程先验,并将基础测度设为观测发病时间的核密度估计,从而在流行曲线密集处集中混合成分,同时保留左尾支撑以容纳早期暴露。后验推断采用哈密顿蒙特卡洛,实现在R/Stan中。在九种模拟场景(COVID-19、麻疹、O-157)下,相比固定有限混合模型,IASK-DPM在移位参数(暴露时间)估计的均方误差上降低35%-70%,在潜伏期95分位数上降低30%-68%。应用于2015年韩国MERS疫情时,该方法恢复了四个暴露日期,与现场调查的超传播事件吻合,并估计潜伏期中位数为5.8天(95分位数13.7天),与详尽接触追踪一致。该工作属于贝叶斯非参数方法在流行病学中的应用,对您而言,其非参数贝叶斯建模思路与您对非参数/半参数理论的兴趣有一定关联,但方法学新颖性有限,主要贡献在于应用场景的适配。
  • 关键技术: Dirichlet process mixture, shifted-knots, Hamiltonian Monte Carlo, kernel density estimate, three-parameter lognormal
  • 为什么对您有用: 本文属于流行病学应用,使用贝叶斯非参数方法估计潜伏期和暴露时间,与您的流行病学应用兴趣相关。作为入门读物,它展示了非参数先验在实际疫情数据中的应用,但方法学深度一般。您的武器库(如非参数统计、M估计)足以理解其核心,但若想深入贝叶斯非参数理论,可能需要补充相关知识。值得花时间读全文以了解流行病学数据结构和建模实践。

3. 10.1177/09622802261489815 — A new bivariate cure rate model and its application to diabetic retinopathy

  • 作者: Matilda Pitt, Katherine Davies
  • 期刊/来源: Statistical Methods in Medical Research
  • 机构: McMaster University
  • 相关性 5/10 · novelty: application
  • 摘要: 本文提出一种新的双变量治愈率模型,用于同时建模同一受试者的两个事件时间,并允许部分受试者被治愈(即不会经历任何感兴趣的事件)。模型基于 Moran–Downton Weibull 分布,属于双变量治愈率混合模型的扩展。作者推导并实现了用于拟合该模型的期望最大化(EM)算法,这是首次针对双变量治愈率模型开发 EM 算法。模型应用于糖尿病视网膜病变数据集,以评估激光治疗对两个事件时间的影响。主要贡献在于方法学上扩展了双变量治愈率模型的工具箱,并提供了可复现的估计算法。对您而言,该文属于生存分析领域的应用型方法论文,与您的主要兴趣(因果推断、高维统计等)关联较弱,但 EM 算法与潜在变量建模的思路在纵向因果推断中或有参考价值。
  • 关键技术: bivariate cure rate model, Moran-Downton Weibull distribution, EM algorithm, mixture model, survival analysis
  • 为什么对您有用: 本文属于生存分析中的双变量治愈率模型,与您的主要兴趣(因果推断、高维统计等)关联较弱。但 EM 算法与潜在变量(治愈状态)的处理方式,在纵向因果推断的潜在结果建模中或有启发。作为应用型方法论文,其方法学新颖性有限,但数据集和分析流程对流行病学方向的读者可能有一定参考价值。

4. 10.1177/09622802261449366 · arXiv — Empowering classification for multivariate functional data with simultaneous feature selection

  • 作者: Shuoyang Wang, Guanqun Cao, Yuan Huang
  • 期刊/来源: Statistical Methods in Medical Research
  • 相关性 5/10 · novelty: application
  • 摘要: 本文针对多元函数型数据分类问题,提出一种同时进行特征选择与分类的深度神经网络方法。在 Alzheimer's Disease Neuroimaging Initiative 数据驱动下,每个观测包含多个函数型预测变量(如曲线或图像),且预测变量数可远大于样本量。方法采用稀疏 ReLU 网络架构并结合 LassoNet 算法,通过函数型 BIC 准则实现特征选择与分类的联合优化,无需分布假设即可处理函数过程间的复杂相关结构。模拟研究与真实数据应用验证了其良好性能。对您而言,该方法虽非您核心兴趣领域,但其在函数型数据分类中的特征选择思路,可能对您在高维统计或统计计算方面的研究有参考价值。
  • 关键技术: LassoNet, functional Bayesian information criterion, sparse deep ReLU network, multivariate functional data classification
  • 为什么对您有用: 本文属于统计方法应用,与您的主要兴趣(因果推断、高维统计、U-统计量等)关联较弱,但可作为统计计算或高维数据分类的入门阅读。其 LassoNet 与函数型 BIC 的结合,可能对您在高维特征选择或统计计算方面有启发,但核心机器(深度网络与函数型数据)不在您的武器库中,暂不可直接开展后续工作。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论