論文の概要: Improving the Efficiency of Subgroup Analysis in Randomized Controlled Trials with TMLE

• arxiv url: http://arxiv.org/abs/2605.15483v1
• Date: Thu, 14 May 2026 23:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.130268
• Title: Improving the Efficiency of Subgroup Analysis in Randomized Controlled Trials with TMLE
• Title（参考訳）: TMLEによるランダム化制御試験における部分群解析の効率化
• Authors: Sky Qiu, Nerissa Nance, Rachael Phillips, Jens Tarp, Maya Petersen, Mark van der Laan,
• Abstract要約: ランダム化制御試験におけるサブグループ分析は、サンプルサイズが限られているため、しばしば過小評価される。 我々は,同じ試験において,非サブグループ参加者から情報を借りる2つの目標最大等量推定器 (TMLE) を提案する。 その結果、アジアでは1.6、1.5、1.5ポイント、黒人では2.1、2.0、そして2.1ポイントと推定されている。
• 参考スコア（独自算出の注目度）: 0.3848364262836075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subgroup analyses within randomized controlled trials are often underpowered due to limited sample sizes. We address this challenge by leveraging trial participants outside the subgroup of interest to augment estimation within the subgroup. Specifically, we study two Targeted Maximum Likelihood Estimators (TMLEs) that borrow information from non-subgroup participants within the same trial: a TMLE with pooled regression (TMLE-PR) and an Adaptive Targeted Maximum Likelihood Estimator (A-TMLE). Both estimators enable information sharing without relying on any external real-world data, thereby capitalizing on key strengths of the trial: most importantly, the protection against bias afforded by the randomized treatment, but also harmonized data collection, and consistent treatment and outcome definitions. The general strategy proposed here directly advances the priorities of key regulatory agencies, including the FDA, by improving the precision of subgroup-specific treatment effect estimates without introducing external sources of bias, thereby facilitating rigorous inference to support equitable labeling, access, and post-market evaluation. In a case study based on analysis of data from a cardiovascular outcome trial (LEADER, NCT01179048), we estimate the risk reduction of major adverse cardiac events (MACE) under liraglutide treatment among Black and Asian subgroups -- each comprising less than 10\% of the trial population -- using the proposed estimators that borrow information from the remainder of the trial. Using A-TMLE, in particular, we find estimated absolute MACE risk reductions of 1.6, 1.5, and 1.5 percentage points among Asian participants and 2.1, 2.0, and 2.1 percentage points among Black participants at 365, 540, and 730 days, respectively, with 95\% confidence intervals excluding the null at each time point.
• Abstract（参考訳）: ランダム化制御試験におけるサブグループ分析は、サンプルサイズが限られているため、しばしば過小評価される。 この課題は、関心サブグループ外の試行参加者を活用して、サブグループ内での見積もりを増大させることによって解決される。 具体的には、同じ試行において非サブグループの参加者から情報を借りる2つの目標極大推定器(TMLE)について検討する。 両方の推定器は、外部の現実世界のデータに頼らずに情報共有を可能にし、その結果、裁判の重要な強みであるランダム化された治療によって得られる偏見に対する保護だけでなく、調和したデータ収集、一貫性のある処理と結果の定義にも乗じることができる。 ここで提案される一般的な戦略は、外部バイアスを発生させることなく、サブグループ固有の治療効果推定の精度を向上させることにより、FDAを含む主要な規制機関の優先事項を直接的に進めることにより、公平なラベル付け、アクセス、市場後の評価をサポートするための厳密な推論を容易にすることである。 心血管性予後試験(LEADER, NCT01179048)のデータ分析に基づくケーススタディでは, 実験の残りから情報を借りる推定器を用いて, ブラックグループとアジアサブグループ間のリラグルチド治療による主要な心不全事象(MACE)のリスク低減を推定した。 特に、A-TMLEを用いて、アジアの参加者は1.6、1.5、1.5、アジア参加者は2.1、2.0、そして2.1、黒人参加者は365、540、および730日と推定され、各時点においてヌルを除く95%の信頼区間がある。

関連論文リスト

• Developing Fairness-Aware Task Decomposition to Improve Equity in Post-Spinal Fusion Complication Prediction [3.860970992977915]
  術後合併症予測のための公平性を考慮したマルチタスク学習フレームワークを提案する。 FAIR-MTLはデータ駆動型サブグループ推論機構を採用している。 AUCは0.86であり、75%の精度でシングルタスクベースラインを上回り、バイアスを大幅に低減する。
  論文  参考訳（メタデータ） (2025-11-29T19:06:07Z)
• Statistical Performance Guarantee for Subgroup Identification with Generic Machine Learning [0.5989855268111279]
  我々は、ジェネリックMLアルゴリズム(GATES)によりソートされたグループ平均処理効果を推定するための一様信頼バンドを開発する。 我々は,後期前立腺癌の臨床試験を解析し,例外的反応の比率が比較的高いことを見出した。
  論文  参考訳（メタデータ） (2023-10-12T01:41:47Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• Two-Stage TMLE to Reduce Bias and Improve Efficiency in Cluster Randomized Trials [0.0]
  クラスタランダム化トライアル(CRT)は、ランダムに個人グループへの介入を割り当て、それらのグループ内の個人に対する結果を測定する。 クラスタ内の一部の個人には発見が欠落することが多い。 CRTは、しばしば限られた数のクラスターをランダムにし、その結果、腕間のベースライン結果予測器に不均衡をもたらす。
  論文  参考訳（メタデータ） (2021-06-29T21:47:30Z)
• Assessing External Validity Over Worst-case Subpopulations [8.98526174345299]
  研究は一般に、空間と時間の限られた点からサンプリングされる。 本研究は, 与えられた大きさの全てのサブ集団における最悪の治療効果 (WTE) を提案し, 評価する。 平均処理効果に対する逆相関重み付き推定器の外部妥当性を解析する半パラメトリック効率なWTE推定器を開発した。
  論文  参考訳（メタデータ） (2020-07-05T18:34:14Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)

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。