論文の概要: Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score

• arxiv url: http://arxiv.org/abs/2012.09935v2
• Date: Fri, 23 Apr 2021 01:46:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 07:34:04.366122
• Title: Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score
• Title（参考訳）: 確率的スコアに対する線形調整によるランダム化試行推定の効率の向上
• Authors: Alejandro Schuler, David Walsh, Diana Hall, Jon Walsh, Charles Fisher
• Abstract要約: ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
• 参考スコア（独自算出の注目度）: 59.75318183140857
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating causal effects from randomized experiments is central to clinical research. Reducing the statistical uncertainty in these analyses is an important objective for statisticians. Registries, prior trials, and health records constitute a growing compendium of historical data on patients under standard-of-care conditions that may be exploitable to this end. However, most methods for historical borrowing achieve reductions in variance by sacrificing strict type-I error rate control. Here, we propose a use of historical data that exploits linear covariate adjustment to improve the efficiency of trial analyses without incurring bias. Specifically, we train a prognostic model on the historical data, then estimate the treatment effect using a linear regression while adjusting for the trial subjects' predicted outcomes (their prognostic scores). We prove that, under certain conditions, this prognostic covariate adjustment procedure attains the minimum variance possible among a large class of estimators. When those conditions are not met, prognostic covariate adjustment is still more efficient than raw covariate adjustment and the gain in efficiency is proportional to a measure of the predictive accuracy of the prognostic model. We demonstrate the approach using simulations and a reanalysis of an Alzheimer's Disease clinical trial and observe meaningful reductions in mean-squared error and the estimated variance. Lastly, we provide a simplified formula for asymptotic variance that enables power and sample size calculations that account for the gains from the prognostic model for clinical trial design. Sample size reductions between 10% and 30% are attainable when using prognostic models that explain a clinically realistic percentage of the outcome variance.
• Abstract（参考訳）: ランダム化実験から因果効果を推定することは臨床研究の中心である。 これらの分析における統計的不確実性を減らすことは統計学者にとって重要な目的である。 登録、事前の治験、健康記録は、この目的のために活用可能な標準医療条件下での患者の歴史的データの増大のコンペディションである。 しかし, 歴史的借入手法の多くは, 厳密なI型誤差率制御を犠牲にして, ばらつきの低減を実現している。 本稿では,線形共変量調整を活用し,バイアスを伴わずに試行分析の効率を向上させる歴史データの利用を提案する。 具体的には, 過去のデータに基づいて予後モデルを訓練し, 実験対象の予測結果(予後スコア)を調整しながら, 線形回帰を用いて治療効果を推定する。 ある条件下では、この予測的共変量調整手順が、多数の推定者の間で可能な最小のばらつきを達成することが証明される。 これらの条件が満たされていない場合、予知共変量調整は原共変量調整よりも依然として効率的であり、効率の利得は予知モデルの予測精度の尺度に比例する。 本稿では,アルツハイマー病臨床試験のシミュレーションと再解析を用いて,平均二乗誤差と推定分散の有意な減少を観察する。 最後に, 臨床設計のための予後モデルから得られる利益を考慮し, パワーとサンプルサイズの計算を可能にする漸近分散の簡易式を提案する。 結果分散の臨床的に現実的なパーセンテージを説明する予後モデルを用いることで、10%から30%のサンプルサイズの縮小が達成できる。

関連論文リスト

• Prognostic Covariate Adjustment for Logistic Regression in Randomized Controlled Trials [1.5020330976600735]
  本研究では, 確率的スコア調整により, 条件付オッズ比のウォルド試験のパワーを一定のサンプルサイズで向上させることができることを示す。 我々はg-computationを用いて、確率的スコア調整の範囲を、限界リスク差、相対リスク、確率比推定に基づいて拡張する。
  論文  参考訳（メタデータ） (2024-02-29T06:53:16Z)
• A Kalman Filter Based Framework for Monitoring the Performance of In-Hospital Mortality Prediction Models Over Time [3.5508427067904864]
  サンプルの総数と、異なる期間における正のサンプル数に応じて、外挿分散を調整したカルマンフィルタに基づくフレームワークを提案する。 この予測モデルは, 疾患の進展, 治療改善, 手術計画の変更などの影響を受けない。
  論文  参考訳（メタデータ） (2024-02-09T22:27:29Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• Impact of Medical Data Imprecision on Learning Results [9.379890125442333]
  医療応用におけるインプレクションが予測結果に与える影響について検討した。 トレーニング済みのモデルを用いて、患者の甲状腺機能亢進症の将来状態を予測する。
  論文  参考訳（メタデータ） (2020-07-24T06:54:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。