结构嵌套受限平均时间损失模型的 G 估计，以估计时变处理对失效时间结果的影响,Biometrics

当前位置： X-MOL 学术 › Biometrics › 论文详情

Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)

结构嵌套受限平均时间损失模型的 G 估计，以估计时变处理对失效时间结果的影响
Biometrics ( IF 1.4 ) Pub Date : 2019-12-26 , DOI: 10.1111/biom.13200
Yasuhiro Hagiwara ₁ , Tomohiro Shinozaki ₂ , Yutaka Matsuyama ₁

Affiliation

结构嵌套模型 (SNM) 的 G 估计在估计时变处理的影响方面起着重要作用，并适当调整了时间相关的混杂因素。作为失效时间结果的 SNM，已经开发了结构嵌套加速失效时间模型 (SNAFTM) 和结构嵌套累积失效时间模型 (SNCFTM)。后一种模型包含在结构嵌套平均模型 (SNMM) 类中，并且不涉及人工审查，这会导致 SNAFTM 的 g 估计存在一些困难。最近，受限平均时间损失 (RMTL)，它对应于直到受限时间的分布函数下的区域，作为失败时间结果的适当汇总度量，在临床试验社区中引起了人们的注意。在这项研究中，我们为故障时间结果提出了另一种 SNMM，称为结构嵌套 RMTL 模型 (SNRMTLM)，并描述了随机和观察性 g 估计程序，这些程序在随机试验设置中对治疗机制使用不同的假设。我们还提供了使用估计的 SNRMTLM 在静态处理方案下估计边际 RMTL 的方法。与传统的意向治疗和符合方案分析相比，模拟研究评估了所提出方法的有限样本性能。我们使用来自心血管疾病随机对照试验的数据说明所提出的方法，并改变治疗方法。SNRMTLM 的 G 估计是一种有用的工具，可用于估计时变处理对故障时间结果的影响。本文受版权保护。版权所有。它被称为结构嵌套 RMTL 模型 (SNRMTLM)，并描述了随机和观察性 g 估计程序，这些程序在随机试验设置中对治疗机制使用不同的假设。我们还提供了使用估计的 SNRMTLM 在静态处理方案下估计边际 RMTL 的方法。与传统的意向治疗和符合方案分析相比，模拟研究评估了所提出方法的有限样本性能。我们使用来自心血管疾病随机对照试验的数据说明所提出的方法，并改变治疗方法。SNRMTLM 的 G 估计是一种有用的工具，可用于估计时变处理对故障时间结果的影响。本文受版权保护。版权所有。它被称为结构嵌套 RMTL 模型 (SNRMTLM)，并描述了随机和观察性 g 估计程序，这些程序在随机试验设置中对治疗机制使用不同的假设。我们还提供了使用估计的 SNRMTLM 在静态处理方案下估计边际 RMTL 的方法。与传统的意向治疗和符合方案分析相比，模拟研究评估了所提出方法的有限样本性能。我们使用来自心血管疾病随机对照试验的数据说明所提出的方法，并改变治疗方法。SNRMTLM 的 G 估计是一种有用的工具，可用于估计时变处理对故障时间结果的影响。本文受版权保护。版权所有。并描述在随机试验环境中对治疗机制使用不同假设的随机和观察性 g 估计程序。我们还提供了使用估计的 SNRMTLM 在静态处理方案下估计边际 RMTL 的方法。与传统的意向治疗和符合方案分析相比，模拟研究评估了所提出方法的有限样本性能。我们使用来自心血管疾病随机对照试验的数据说明所提出的方法，并改变治疗方法。SNRMTLM 的 G 估计是一种有用的工具，可用于估计时变处理对故障时间结果的影响。本文受版权保护。版权所有。并描述在随机试验设置中对治疗机制使用不同假设的随机和观察性 g 估计程序。我们还提供了使用估计的 SNRMTLM 在静态处理方案下估计边际 RMTL 的方法。与传统的意向治疗和符合方案分析相比，模拟研究评估了所提出方法的有限样本性能。我们使用来自心血管疾病随机对照试验的数据说明所提出的方法，并改变治疗方法。SNRMTLM 的 G 估计是一种有用的工具，可用于估计时变处理对故障时间结果的影响。本文受版权保护。版权所有。

"点击查看英文标题和摘要"

G‐estimation of structural nested restricted mean time lost models to estimate effects of time‐varying treatments on a failure time outcome

G-estimation of structural nested models (SNMs) plays an important role in estimating the effects of time-varying treatments with appropriate adjustment for time-dependent confounding. As SNMs for a failure time outcome, structural nested accelerated failure time models (SNAFTMs) and structural nested cumulative failure time models (SNCFTMs) have been developed. The latter models are included in the class of structural nested mean models (SNMMs) and are not involved in artificial censoring, which induces several difficulties in g-estimation of SNAFTMs. Recently, restricted mean time lost (RMTL), which corresponds to the area under a distribution function up to a restriction time is attracting attention in clinical trial communities as an appropriate summary measure of a failure time outcome. In this study, we propose another SNMM for a failure time outcome, which is called structural nested RMTL model (SNRMTLM), and describe randomized and observational g-estimation procedures that use different assumptions for the treatment mechanism in a randomized trial setting. We also provide methods to estimate marginal RMTLs under static treatment regimes using estimated SNRMTLMs. A simulation study evaluates finite-sample performances of the proposed methods compared with the conventional intention-to-treat and per-protocol analyses. We illustrate the proposed methods using data from a randomized controlled trial for cardiovascular disease with treatment changes. G-estimation of SNRMTLMs is a useful tool to estimate the effects of time-varying treatments on a failure time outcome. This article is protected by copyright. All rights reserved.

更新日期：2019-12-26

点击分享查看原文

点击收藏

阅读更多本刊新发论文本刊介绍/投稿指南